TRẮC NGHIỆM CAMBRIDGE MÔN KINH TẾ LƯỢNG TÀI CHÍNH

CHƯƠNG 1:
1. Nếu một nhà nghiên cứu sử dụng dữ liệu hàng ngày để kiểm tra một vấn đề cụ
thể và tạo ra một biến gán giá trị số là 1 cho các quan sát vào Thứ Hai, thuật ngữ
nào sẽ mô tả đúng nhất loại số này?
a. Continuous (liên tục)
b. Cardinal (đếm được/đo được)
c. Ordinal (thứ bậc vd: scale ordinal là thang đo thứ bậc)
d. Nominal (số danh nghĩa)

Giải thích: Đây sẽ là một ví dụ điển hình về số danh nghĩa, vì nó thậm chí không tạo
ra thứ tự – các số được gán cho mỗi ngày trong tuần là hoàn toàn tùy ý. Không có
nghĩa là Thứ Ba “tốt hơn” so với Thứ Hai bởi vì nó được gán giá trị cao hơn. Thay
vào đó, chúng ta có thể gán giá trị 5 cho Thứ Hai, 4 cho Thứ Ba, v.v. một cách hợp lệ
như nhau. Rõ ràng vì các số được gán cho các ngày trong tuần sẽ chỉ bao gồm 5 giá
trị, chúng tôi sẽ không gọi nó là một biến liên tục.

2. Giá của một ngôi nhà được mô tả tốt nhất là loại số nào?
a. Discrete (rời rạc)
b. Cardinal
c. Ordinal
d. Nominal

Giải thích: Giá của một ngôi nhà không phải là một biến số rời rạc bởi vì, ít nhất về
nguyên tắc, nó có thể nhận bất kỳ giá trị nào (chỉ bị giới hạn bởi mức độ chi tiết của
loại tiền mà nó được giao dịch). Đó là một con số chính bởi vì các giá trị số thực tế
mà nó mang lại có ý nghĩa, và ví dụ: một ngôi nhà trị giá 500.000 bảng Anh có giá trị
gấp đôi so với một ngôi nhà trị giá 250.000 bảng Anh.

3. Điều nào sau đây KHÔNG phải là đặc điểm của lợi nhuận gộp liên tục (tức là
lợi nhuận log)?
a. Chúng có thể được hiểu là những thay đổi phức hợp liên tục về giá
b. Chúng có thể được thêm vào theo thời gian để mang lại lợi nhuận trong khoảng thời
gian dài hơn
c. Chúng có thể được thêm vào trên một danh mục tài sản để mang lại lợi nhuận cho
danh mục đầu tư
d. Chúng thường có đuôi mập (fat-tailed)

Giải thích: Lợi nhuận log thực sự có thể được hiểu là những thay đổi gộp liên tục về
giá hoặc giá trị chỉ số theo thời gian. Điều này rất hữu ích vì nó có nghĩa là chúng ta
không phải lo lắng về tần suất gộp. Lợi nhuận log cũng có thể được cộng dồn theo
thời gian, do đó, lợi nhuận trong một năm chỉ đơn giản là tổng lợi nhuận hàng ngày
cho tất cả các ngày giao dịch trong năm đó. Lợi nhuận tài sản thường có đuôi béo
(leptokurtic) và điều này đúng cho dù chúng được đo lường dưới dạng lợi nhuận log
hay lợi nhuận đơn giản. Tuy nhiên, lợi nhuận log không thể được tổng hợp trên một
danh mục đầu tư để có được lợi nhuận danh mục đầu tư. Điều này có thể thực hiện
được với các lần trả về đơn giản nhưng không hoạt động đối với các lần trả về nhật
ký vì việc lấy nhật ký là một quá trình chuyển đổi phi tuyến tính. Do đó, tổng của một
bản ghi (log) không giống như tổng của một bản ghi (log). Để tính lợi nhuận log danh
mục đầu tư, trước tiên cần tính giá trị của toàn bộ danh mục đầu tư tại mỗi thời điểm
và sau đó lấy thay đổi log giá của danh mục đầu tư.

4. Giả sử rằng có sẵn các quan sát về giá trái phiếu hàng tháng của 100 công ty
trong 5 năm. Đây là những loại dữ liệu nào?
a. Cross-sectional (dữ liệu cắt ngang)
b. Time-series (chuỗi thời gian)
c. Panel (dữ liệu bảng)
d. Qualitative (định lượng)

Giải thích: Do dữ liệu có kích thước của cả chuỗi thời gian (5 năm quan sát) và của
các mặt cắt ngang (100 công ty), nên đây được gọi là tập dữ liệu bảng. Chuỗi chéo sẽ
không có dữ liệu trong một khoảng thời gian, trong khi tập dữ liệu chuỗi thời gian sẽ
sử dụng thông tin về một công ty tại một thời điểm. Giá trái phiếu rõ ràng là một ví dụ
về dữ liệu định lượng hơn là định tính, vì chúng có thể nhận bất kỳ giá trị (không âm)
nào và không bị hạn chế chỉ nhận một số giá trị nhất định như dữ liệu định tính.
5. Điểm số liên quan đến xếp hạng tín dụng được mô tả tốt nhất là một
a. Cardinal number (số đo được/đếm được)
b. Ordinal number (số thứ bậc)
c. Nominal number (số danh nghĩa)
d. Continuous number (số liên tục)

Giải thích: Xếp hạng tín dụng thường được chỉ định điểm số – vì vậy AAA là 1, AA là
2, v.v. Nếu đó là trường hợp, thứ tự của các con số có tầm quan trọng nhưng các giá
trị số chính xác thì không. Vì vậy, sẽ không có vấn đề gì, ví dụ, nếu chúng ta ký hiệu
liên kết AAA bằng 10 và liên kết AA bằng 15. Rõ ràng đây là một số thứ tự – nó không
liên tục vì điểm số chỉ nhận các giá trị cụ thể, rời rạc.

6. Trong một nghiên cứu xuyên quốc gia, một nhà nghiên cứu mã hóa Hoa Kỳ là
“1”, Châu Âu là “2” và phần còn lại của thế giới là “3”. Điều này được mô tả tốt
nhất là một:
a. Cardinal number (số đo được/đếm được)
b. Ordinal number (số thứ bậc)
c. Nominal number (số danh nghĩa)
d. Continuous number (số liên tục)

Giải thích: Đây là một con số danh nghĩa vì không có thứ tự tự nhiên và bản thân các
con số không có ý nghĩa cụ thể – mục đích duy nhất của chúng là để phân biệt quốc
gia này với quốc gia khác.

7. Lợi suất đáo hạn của trái phiếu được mô tả tốt nhất là một
a. Cardinal number (số đo được/đếm được)
b. Ordinal number (số thứ bậc)
c. Nominal number (số danh nghĩa)
d. Discrete number (số rời rạc)
Giải thích: Đây là một con số chính vì sản lượng có thể nhận bất kỳ giá trị nào (có thể
trong phạm vi 0-100%) và do đó chúng liên tục thay vì rời rạc. Nhưng giá trị bằng số
chính xác của năng suất cũng có cách giải thích hữu ích và chúng ta có thể nói, chẳng
hạn, rằng năng suất 10% cao gấp đôi so với năng suất 5%.
8. Giá cổ phiếu được niêm yết theo đơn vị đồng xu. Thuật ngữ nào mô tả tốt nhất
loại dữ liệu này?
a. Discrete (rời rạc)
b. Continuous (liên tục)
c. Ordinal (thang đo)
d. Nominal (danh nghĩa)

Giải thích: Đây sẽ là một ví dụ về một chuỗi rời rạc – một lần nữa, đây là một số đếm
(cardinal number) (nhưng đây không phải là một trong các tùy chọn) chứ không phải
là một số thứ tự hoặc danh nghĩa bởi vì, ví dụ, một cổ phiếu có giá trị £2 sẽ có giá trị
gấp đôi như một cái có giá trị là £1. Nhưng nó là một chuỗi rời rạc vì các giá trị của
nó chỉ có thể tính theo đơn vị đồng xu £1,01, £1,02, v.v., chứ không phải nửa xu (ví
dụ: £1,015 là không thể).

9. Phát biểu nào sau đây là SAI khi nói về mối quan hệ log-giá (lợi nhuận log)?
a. Chúng có thể được hiểu là lợi nhuận gộp liên tục
b. Chúng có thể được tính trung bình hợp lệ theo thời gian
c. Chúng có thể được tính trung bình hợp lệ theo mặt cắt ngang
d. Chúng có thể được thể hiện theo tỷ lệ hoặc tỷ lệ phần trăm

Giải thích: Họ hàng log-giá có thể được tổng hợp theo thời gian nhưng không theo
mặt cắt ngang. Theo định nghĩa, chúng là lợi tức gộp liên tục và chúng ta có thể biểu
thị chúng dưới dạng tỷ lệ bằng cách tính rt = log(P t /Pt-1) hoặc dưới dạng phần trăm
bằng cách tính rt = 100log(Pt /Pt-1).

10. Phát biểu nào sau đây là ĐÚNG liên quan đến lợi nhuận đơn giản?
a. Chúng có thể được hiểu là lợi nhuận gộp liên tục
b. Chúng có thể được tính trung bình hợp lệ theo thời gian
c. Chúng có thể được tính trung bình hợp lệ theo mặt cắt ngang
d. Chúng không thể được biểu thị bằng tỷ lệ phần trăm
Giải thích: Lợi nhuận log có thể được tổng hợp theo thời gian nhưng không theo mặt
cắt ngang; điều ngược lại đúng với lợi nhuận đơn giản – chúng có thể được tổng hợp
theo mặt cắt ngang nhưng không được tổng hợp hoặc tính trung bình theo thời gian.
Chúng cũng không thể được hiểu là lợi nhuận gộp liên tục và tất nhiên chúng có thể
được biểu thị dưới dạng tỷ lệ hoặc phần trăm.

11. Giả sử rằng lợi nhuận đơn giản của một cổ phiếu trong mỗi bốn năm là 10%,
-6%, 13% và -8%. Tổng lợi nhuận được tính toán phù hợp trong cả thời kỳ bốn
năm chính xác đến 1% là:
a. 9%
b. 2%
c. 7%
d. 1.8%

Giải thích: Nếu chúng ta đã tính toán lợi nhuận đơn giản, chúng ta cần sử dụng
phương pháp 'lợi nhuận trong thời gian nắm giữ' để tổng hợp chúng, vì vậy chúng ta
sẽ biến tỷ lệ phần trăm thành tỷ lệ (chia chúng cho 100) và sau đó nhân một cộng với
lợi nhuận trong mỗi trường hợp rồi trừ đi một ở cuối, vì vậy:
Lợi nhuận = [(1 + 0,1) × (1 + (–0,06)) × (1+0,13) × (1+ (–0,08))] - 1 = 0,07495, tức
là 7% (chính xác đến một phần trăm).

12. Giả sử rằng lợi nhuận log của một cổ phiếu trong bốn năm là 10%, -6%, 13%
và -8%. Tổng lợi nhuận được tính toán phù hợp trong cả thời kỳ bốn năm chính
xác đến 1% là:
a. 9%
b. 2%
c. 7%
d. 1.8%

Giải thích: Nếu chúng tôi đã sử dụng lợi nhuận log để tổng hợp chúng, chúng tôi có
thể chỉ cần cộng chúng lại, vì vậy:
Lợi nhuận = 10 + –6 + 13 + –8 = 9%.
 CHƯƠNG 2:
1/ Giả sử chúng ta ước tính mối quan hệ giữa độ biến động, y theo phần trăm và
số lượng cổ phiếu trong danh mục đầu tư, x cho trước bởi y = 86,4 – 1,2 × x . Nếu
một danh mục đầu tư chứa 25 cổ phiếu, mức độ biến động gần nhất là 1% là bao
nhiêu?
Đáp án: 56%

Điều này rất đơn giản – tất cả những gì chúng ta cần làm là thay giá trị của x = 25 vào
công thức để có y = 86,4 – ( 1,2 × 25) = 56,4, tức là 56 được làm tròn đến 1%.

2/ Với tình huống ở câu hỏi 1, cần bao nhiêu cổ phiếu để đạt được mức biến động
10%?

Đáp án: 64

Điều này một lần nữa đơn giản nhưng đòi hỏi chúng ta phải giải công thức cho x với
giá trị của y = 10. Vậy ta có 10 = 86,4 – (1,2 × x )

=> 1,2 × x = 76,4

=> x = 76,4/1,2 = 63,67

Và do đó x = 64 (làm tròn lên).

3/ Một đường thẳng có độ dốc là 1,4 và cắt trục x tại -0,8. Giá trị của y là bao
nhiêu khi x = 3,2?

Đáp án: 5,6

Điều này hơi phức tạp vì câu hỏi cho chúng ta biết vị trí đường thẳng đi qua trục x chứ
không phải trục y (sẽ là giao điểm).

Vì vậy, nếu chúng ta gọi giao điểm là a, chúng ta có y = a + 1,4 x và nếu đường thẳng
cắt trục x tại x = –0,8, y = 0 nên 0 = a + 1,4 x – 0,8 và a = 1,12.

Phương trình của đường thẳng là y = 1,12 + 1,4x. Nếu x = 3,2 thì y = 1,12 + 1,4 x 3,2
= 5,6.

4/ Điểm mà tại đó hàm số cắt trục hoành gọi là:

Đáp án: Nghiệm

Đây là một định nghĩa đơn giản. Giao điểm là nơi đường thẳng cắt trục y; điểm hoặc
các điểm mà tại đó đường thẳng cắt trục x được gọi là nghiệm hoặc các nghiệm.

5/ Nếu quan hệ giữa hai biến là y = 3 x 3 + 2x 2 + x – 6 thì dạng hàm liên kết giữa
chúng là gì?

Đáp án: Phi tuyến tính

Vì số hạng bậc cao nhất trong x là 3 (tức là có x 3 ), nên chúng ta gọi đây chính xác
nhất là phương trình bậc ba, nhưng đây không phải là một trong các phương án. Nó rõ
ràng không phải là một hàm tuyến tính, bậc hai hoặc hàm mũ. Tuy nhiên, nó là một
phương trình phi tuyến tính nên câu trả lời là phi tuyến tính.

6/ Nếu quan hệ giữa hai biến là y = –4 x + 2 thì dạng hàm liên kết giữa chúng là
gì?

Đáp án: Tuyến tính

Đây rõ ràng là một phương trình tuyến tính vì lũy thừa cao nhất của x là 1, và do đó
nó có thể được biểu diễn bằng một đường thẳng trong đồ thị.

7/ Nếu ta vẽ mối quan hệ y = a + bx trên một đồ thị thì biểu thức a sẽ như thế nào
?

Đáp án: Điểm mà đường thẳng cắt trục y

Theo định nghĩa, a là giao điểm hoặc điểm mà tại đó đường thẳng cắt trục y . Điểm tại
đó đường thẳng cắt trục x là gốc và hệ số góc của đường thẳng là b . Gốc là điểm tại
đó các trục x - và y gặp nhau – tức là điểm (0,0) sử dụng ký hiệu tọa độ.

8/ Nếu biết quan hệ y = a + bx cho ra một đường thẳng nằm ngang thì phải giữ
giới hạn nào?

Đáp án: b = 0
Một đường thẳng nằm ngang có hệ số góc bằng 0 và do đó b = 0. Nếu chúng ta có a =
0, điều này có nghĩa là đường thẳng đi qua gốc tọa độ – tức là điểm (0,0) sử dụng ký
hiệu tọa độ.

9/ Nếu biết quan hệ y = a + bx làm cho đường thẳng hợp với trục x một góc 45 độ
thì phải giữ giới hạn nào?

Đáp án: b = 1

Nếu một đường thẳng nghiêng 45 độ so với trục x, chúng ta có thể suy ra rằng x và y
thay đổi một đổi một sao cho x tăng một đơn vị dẫn đến y tăng một đơn vị . Điều này
ngụ ý rằng hệ số góc của đường thẳng b phải bằng một.

10/ Loại hàm số nào y vẽ trên x luôn có độ dốc tăng dần theo x ?

Đáp án: Hàm số mũ

Một hàm số mũ sẽ ở mọi nơi tăng dần từ trái sang phải. Một bậc hai có thể có một
phần trong đó y đang tăng theo x, nhưng nó cũng sẽ có một phần trong đó y đang
giảm theo x . Một hàm tuyến tính có thể luôn tăng theo x (nếu độ dốc dương) nhưng
độ dốc không đổi.

11/ Hàm bậc ba y = f ( x ) có bao nhiêu nghiệm ĐỘC NHẤT ?

Đáp án: Nhiều nhất ba

Một hàm bậc ba luôn có ba nghiệm, nhưng một hoặc nhiều nghiệm trong số đó có thể
lặp lại. Vì vậy, ví dụ, hàm y = x 3 – 3x 2 + 3x -1 có ba nghiệm nhưng chúng đều bằng 1
nên chỉ có một nghiệm duy nhất. Do đó, câu trả lời đúng là (b), rằng một hàm bậc ba
có nhiều nhất ba nghiệm duy nhất.

12/ Hàm số y = –3 + 2x – x 2 sẽ có hình dạng nào ?

(i) Luôn dốc lên

(ii) Luôn dốc xuống

(iii) hình chữ U

(iv) hình ∩
Đáp án: (iv)

Đối với hàm bậc hai, số hạng bình phương sẽ chiếm ưu thế khi x trở nên rất lớn và
dương hoặc rất lớn và âm. Trong hàm cụ thể này, số hạng trong x 2 đứng trước dấu trừ,
và do đó khi x trở nên lớn và dương hoặc lớn và âm, tác động của nó sẽ là làm cho y
trở nên rất lớn và âm. Do đó, hàm phải có dạng ∩.

13/ Các nghiệm của phương trình y = x 2 – 9x là gì ?

Đáp án: 0 và 9

14/ Đồ thị của hàm số y = log(x) sẽ:

Đáp án: Vượt qua trục x tại một

Đồ thị của log(x) vẽ theo x sẽ xuất hiện như sau. Nếu x = 1 thì log(x) = 0 nên đồ thị
cắt trục x tại một điểm.

15/ Một cách viết log(x + y) khác là:

Đáp án: Không điều nào ở trên áp dụng được

Biểu thức này không thể được đơn giản hóa.

16/ Log(0) là:

Đáp án: Không xác định

17/ Viết hết các hạng tử trong biểu thức sẽ dẫn đến:

(i) 3x3

(ii) x3

(iii) 27x3

(iv) 27x

Đáp án: (iii)

Ký hiệu số Pi viết hoa biểu thị rằng các số hạng phải được nhân với nhau và chỉ số là
từ một đến ba nên hiệu quả là chúng ta đang nhân 3 x với chính nó ba lần. Do đó, biểu
thức là (3x) 3 = 3 × x × 3 × x × 3 × x = 27x 3.

18/ Đạo hàm của hàm y theo x là:

(i) Độ dốc của đường cong

(ii) Tốc độ thay đổi của y đối với x

(iii) Diện tích dưới đường cong

(iv) Zero tại một bước ngoặt

Đáp án: (i), (ii) và (iv)

Đây là một định nghĩa đơn giản – đạo hàm của một hàm cho biết độ dốc và tốc độ
thay đổi nên cả (i) và (ii) đều đúng. Đạo hàm cũng sẽ bằng 0 tại một điểm ngoặt (độ
lợi, theo định nghĩa) và do đó (iv) cũng đúng. Nhưng diện tích dưới đường cong được
cho bởi tích phân chứ không phải đạo hàm và do đó (iii) không chính xác.

19/ Đạo hàm của y = 1/x là:

Đáp án: 1/x²

Quy tắc là d/dx (1/ x) = d / dx (x–1) = – x–2 = –1/x 2 .

20/ Đạo hàm của 5log(x) là:

Đáp án: 5/x

Đạo hàm của log(x) là 1/x nên trong trường hợp này ta chỉ nhân kết quả với 5, vậy
d/dx (5log(x)) = 5/x .

21/ Đạo hàm cấp hai của 8 x 2 là:

Đáp án: 16

Chúng ta cần phân biệt chức năng hai lần ở đây. Vậy đạo hàm bậc nhất là d/dx (8 x 2) =
16 x. Nếu chúng ta phân biệt điều này một lần nữa, chúng ta có d/dx (16 x) = d 2/dx2 (8
x2) = 16.

22/ Đạo hàm cấp hai của -4 x là:

Đáp án: 0

Chúng ta cần lấy đạo hàm hai lần nữa. Vậy đạo hàm bậc nhất là d/dx (–4x) = –4. Nếu
chúng ta phân biệt điều này một lần nữa, chúng ta có d /dx (–4) = d2/dx2 (–4 x) = 0.

23/ Đạo hàm riêng của 6x2 + 2x + 3xy + 4y – 2y2 đối với y là:

Đáp án: 3x + 4 - 4y

Để tiến hành vi phân từng phần đối với y, chúng ta chỉ cần lấy đạo hàm của hàm đối
với y trong khi coi tất cả các số hạng trong x như thể chúng là các hằng số. Vì vậy,
phần (6x2 + 2x ) trở thành 0 và 3xy được coi như thể 3x là một hằng số, vì vậy 3xy
được phân biệt thành 3 x . Sau đó, các quy tắc tiêu chuẩn có thể được áp dụng cho (4y
– 2y2 ).

24/ Kích thước của ma trận là gì

Đáp án: 2 x 3

Kích thước của ma trận được định nghĩa là R x C, trong đó R là số hàng và C là số

cột. Ma trận này có hai hàng và ba cột, vì vậy nó là 2 x 3.

25/ Cái nào sau đây là ma trận đơn vị?

(i) (1)

(ii)

(iii)

(iv)

Đáp án: (i)

Một ma trận đơn vị có một ở mọi nơi trên đường chéo chính (chạy từ trên cùng bên
trái xuống dưới cùng bên phải trong ma trận) và các số không ở mọi nơi khác. Không
ma trận nào trong (ii) đến (iv) phù hợp với mô tả này nên chúng không phải là ma trận
đồng nhất. Trong thực tế (i) là một ma trận đơn vị cho ma trận 1 x 1 nên đó là câu trả
lời đúng.

26/ Nếu A có kích thước 1 x 4 và B có kích thước 4 x 1 thì thuật ngữ chính xác
nhất để mô tả ma trận A là gì?

Đáp án: Một vectơ hàng

Nếu A là 1 x 4 và nói chung ma trận là R x C, trong đó R là số hàng và C là số cột, thì

do ma trận này chỉ có một hàng (nhưng nhiều hơn một cột nên nó không phải là ma
trận vô hướng). ), thì theo định nghĩa, chúng ta sẽ gọi nó là một vectơ hàng. Một vectơ
hàng là một loại ma trận đặc biệt, vì vậy sẽ không sai khi nói rằng A là một ma trận,
nhưng thuật ngữ vectơ hàng mô tả nó chính xác hơn.
27/ Nếu A có kích thước 1 x 4 và B có kích thước 4 x 1 thì thuật ngữ chính xác
nhất để mô tả kết quả của phép nhân ma trận BA là gì?

Đáp án: Một ma trận

Phép nhân ma trận BA có nghĩa là nhân 4 x 1 với 1 x 4, và do đó kết quả sẽ là 4 x 1 x

1 x 4, hay nói cách khác là 4 x 4, là ma trận chứ không phải vectơ cột, vectơ hàng
hoặc vô hướng.

28/ Nếu A có kích thước 1 x 4 và B có kích thước 2 x 4 thì phép nhân ma trận AB
có kích thước như thế nào?

Đáp án: Phép nhân ma trận này không xác định

Phép nhân ma trận AB có nghĩa là nhân 1 x 4 với 2 x 4, nhưng để cho phép nhân hai
ma trận với nhau thì số cột của ma trận thứ nhất phải bằng số hàng của ma trận thứ
hai. Điều kiện này không thỏa mãn và vì vậy chúng tôi sẽ nói rằng phép nhân ma trận
này không được xác định do các ma trận không phù hợp.

29/ Số nghịch đảo của ma trận là:

(i)

(ii)

(iii)

(iv) Không xác định

Đáp án: (iii)

Nhớ lại rằng nếu một ma trận là , thì nghịch đảo là . Áp dụng

quy tắc cho trường hợp này, nghịch đảo của là , là .

30/ Ma trận là:

(i) Hình vuông

(ii) Số ít

(iii) Không đảo ngược

(iv) Cấp bậc đầy đủ

Đáp án: (i), (ii) và (iii)

Đây rõ ràng là một ma trận vuông vì số hàng bằng số cột (2). Xem xét kỹ, rõ ràng là
nếu chúng ta lấy hàng đầu tiên và nhân nó với -2, chúng ta sẽ nhận được hàng thứ hai.
Vì vậy, hàng thứ nhất và hàng thứ hai không độc lập tuyến tính với nhau và chúng ta
có thể nói rằng ma trận là số ít và do đó nó sẽ không khả nghịch (tức là chúng ta
không thể tính nghịch đảo của nó). Vì lý do này, nó không phải là thứ hạng đầy đủ
(thực tế chúng tôi sẽ nói rằng đó là thứ hạng ngắn hoặc thứ hạng giảm).

31/ Định thức của ma trận đơn phương sẽ là:

Đáp án: 0

Theo định nghĩa, nếu một ma trận là số ít thì định thức của nó phải bằng không.

32/ Các giá trị riêng của ma trận là gì ?

Đáp án: 0 và 1

Để tính các giá trị riêng của ma trận, chúng ta trừ λ nhân với ma trận đơn vị, lấy định
thức, đặt giá trị này bằng 0 và sau đó giải để thu được các giá trị của λ, là nghiệm đặc
trưng hoặc giá trị riêng của ma trận. Trong trường hợp này chúng ta có:

, do đó và do đó (–3–λ)(4–λ)–(2x–6) = 0; –12 –4λ

+3λ + λ 2 + 12 = 0, hay đơn giản hơn là λ 2 –λ = 0, phân tích thành thừa số của λ(λ–1)
= 0 và do đó các giá trị riêng là 0 và 1. Chúng ta có thể phát hiện ra rằng ma trận là số
ít (cột thứ hai gấp đôi cột thứ nhất) và do đó chúng ta biết rằng một trong các giá trị
riêng của nó phải bằng không.
 CHƯƠNG 3:
1. Tên nào sau đây là tên thay thế cho biến phụ thuộc (thường được ký hiệu là y)
trong phân tích hồi quy tuyến tính?
(i) biến hồi quy (regressand)
(ii) Bộ hồi quy (regressor)
(iii) biến được giải thích
(iv) Biến giải thích
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Câu trả lời đúng là B, vì biến hồi quy (regressand) và biến được giải thích
là tên thay thế cho biến có chuyển động mà chúng tôi đang cố gắng giải thích. Biến
hồi quy (regressor) hoặc biến giải thích là tên cho X, biến đang thực hiện giải thích
trong mô hình.

2. Tên nào sau đây là tên thay thế cho biến độc lập (thường được biểu thị bằng x)
trong phân tích hồi quy tuyến tính?
(i) Bộ hồi quy (regressor)
(ii) Biến hồi quy (regressand)
(iii) biến nhân quả
(iv) Biến ảnh hưởng
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Biến độc lập, thường được biểu thị bằng X, còn được gọi là bộ hồi quy
hoặc biến nhân quả. Biến lại và biến hiệu ứng là tên thay thế cho y.
3. Phát biểu nào sau đây là đúng về mô hình hồi quy tiêu chuẩn?
a. y có phân phối xác suất
b. x có phân phối xác suất
c. Biểu thức xáo trộn (disturbance term) được coi là tương quan với x
d. Đối với một mô hình phù hợp, phần dư (U-HAT) sẽ bằng không cho tất cả các điểm
dữ liệu mẫu.

Giải thích: Vì y phụ thuộc vào u cũng như x và vì u là một biến ngẫu nhiên, y cũng sẽ
là một biến ngẫu nhiên. X được coi là không phải là ngẫu nhiên, tức là được cố định
và do đó nó không phải là một biến ngẫu nhiên. Vì x được coi là không phải ngẫu
nhiên, nó không thể tương quan với một biến ngẫu nhiên u, nếu không nó sẽ là ngẫu
nhiên! Một mô hình tốt sẽ là một mô hình mà phần dư càng gần bằng 0 càng tốt. Tuy
nhiên, trừ khi có một mối quan hệ hoàn hảo giữa Y và X (tức là tất cả các điểm nằm
trên một đường thẳng), phần dư không thể bằng không.

4. Phát biểu nào sau đây là ĐÚNG liên quan đến ước lượng OLS?
a. OLS giảm thiểu tổng khoảng cách dọc từ các điểm đến đường thẳng
b. OLS giảm thiểu tổng bình phương của khoảng cách dọc từ các điểm đến đường
thẳng
c. OLS giảm thiểu tổng khoảng cách theo chiều ngang từ các điểm đến đường thẳng
d. OLS giảm thiểu tổng bình phương của khoảng cách ngang từ các điểm đến đường
thẳng

Giải thích: OLS giảm thiểu tổng bình phương của khoảng cách dọc từ các điểm đến
đường thẳng. Lý do chọn khoảng cách theo chiều dọc thay vì theo chiều ngang là do
việc thiết lập mô hình hồi quy tuyến tính cổ điển giả định x là không ngẫu nhiên. Do
đó, câu hỏi trở thành một trong những cách tìm các giá trị phù hợp nhất của y với các
giá trị của x. Nếu chúng tôi lấy khoảng cách theo chiều ngang, điều này có nghĩa là
chúng tôi đang chọn các giá trị phù hợp cho x, điều này sẽ không hợp lý vì x là cố
định. Lý do mà bình phương của khoảng cách thẳng đứng được lấy thay vì chính
khoảng cách thẳng đứng là vì một số điểm sẽ nằm phía trên đường được trang bị và
một số nằm phía dưới, triệt tiêu lẫn nhau. Do đó, một tiêu chí tối thiểu hóa tổng
khoảng cách sẽ không đưa ra các ước tính tham số duy nhất vì vô số dòng sẽ thỏa
mãn điều này.

5. Phần dư từ mô hình hồi quy chuẩn được định nghĩa là

a. Sự khác biệt giữa giá trị thực, y và giá trị trung bình, y-bar ( y )
b. Sự khác biệt giữa giá trị phù hợp, y-hat ( ^y ) và giá trị trung bình, y-bar ( y )
c. Sự khác biệt giữa giá trị thực tế, y, và giá trị phù hợp, y-hat ( ^y )
d. Bình phương của sự khác biệt giữa giá trị phù hợp, y-hat ( ^y ) và giá trị trung bình,
y-bar ( y )

Giải thích: Phần dư được định nghĩa là sự khác biệt giữa giá trị thực tế y và giá trị
phù hợp, y-hat.

6. Câu nào sau đây mô tả đúng nhất biểu diễn đại số của đường hồi quy phù
hợp?

a. (i)
b. (ii)
c. (iii)
d. (iv)

Giải thích: Giá trị phù hợp cho y có được bằng cách lấy giá trị của biến giải thích
cho một quan sát cụ thể, nhân nó với ước tính độ dốc và thêm ước tính chặn. Điều này
sau đó đưa ra một giá trị cho y-hat từ dòng được trang bị cho quan sát đó. Các câu
trả lời cho (i) và (iii) không phải là phương trình hợp lý cho bất kỳ điều gì, vì giá trị
phù hợp từ mô hình hồi quy không thể bao gồm phần dư hoặc phần nhiễu trong tính
toán của nó. Phương trình trong (iv) là một phương trình hợp lệ chia giá trị thực y
thành một phần được mô hình giải thích và một phần mà mô hình không thể giải thích
được (phần dư). Tuy nhiên, phương trình trong (iv) không phải là phương trình cho
giá trị phù hợp.

7. Phát biểu nào sau đây về hồi quy tổng thể (regression population) và hồi quy
mẫu (regression sample) là SAI?
a. Tổng thể (population) là tập hợp tổng thể của tất cả các mục quan tâm
b. Tổng thể (population) có thể là vô hạn
c. Về lý thuyết, mẫu có thể lớn hơn tổng thể
d. Một mẫu ngẫu nhiên là một trong đó mỗi mục riêng lẻ từ tổng thể có khả năng được
rút ra như nhau.

Giải thích: Theo định nghĩa, dân số thực sự là tập hợp của tất cả các mục quan tâm
và điều này có thể là vô hạn hoặc hữu hạn tùy thuộc vào ngữ cảnh. Cũng theo định
nghĩa, mẫu ngẫu nhiên là mẫu mà mỗi mục từ tổng thể đều có khả năng được rút ra
như nhau. Tất nhiên, mẫu không thể lớn hơn dân số, vì mẫu chỉ lấy một số mục từ dân
số.

8. Phát biểu nào sau đây là đúng về hàm hồi quy tổng thể (PRF) và hàm hồi quy
mẫu (SRF)?
a. PRF là mô hình ước tính
b. PRF được sử dụng để suy ra các giá trị có thể có của SRF
c. Mô hình có tốt hay không có thể được xác định bằng cách so sánh SRF và PRF
d. PRF là một mô tả về quá trình được cho là tạo ra dữ liệu.

Giải thích: PRF là mô hình tổng thể thực sự cho mối quan hệ giữa các biến x và y.
Một số nhà nghiên cứu đưa ra sự khác biệt giữa PRF và quy trình tạo dữ liệu, nhưng
hai thuật ngữ này đã được sử dụng đồng nghĩa trong khóa học này. Mẫu được sử
dụng để ước tính SRF, được sử dụng để xác định các giá trị có khả năng xảy ra của
các tham số dân số được mô tả bởi PRF. Vậy a, b, c sai và d đúng.

9. Mô hình nào sau đây có thể được ước tính bằng OLS, tuân theo các phép biến
đổi phù hợp nếu cần? (Lưu ý rằng “e” biểu thị số mũ).
a. (i) only
b. (i) and (iii) only
c. (i), (iii) and (iv) only
d. (i), (ii), (iii), and (iv)

Giải thích: Trên thực tế, tất cả các mô hình (i) đến (iv) đều có thể được ước tính bằng
OLS, tuân theo các phép biến đổi phù hợp khi cần thiết. Rõ ràng (i) đơn giản là mô
hình chuẩn. Đối với (ii), việc tạo một biến mới (gọi nó là z) là z = e^x, sẽ đưa ra mô
hình chuẩn dưới dạng hồi quy của y trên một hằng số và z. Trong (iii), thay Y = ln(y)
và X = ln(x) và hồi quy Y trên một hằng số và X sẽ lại đưa ra mô hình chuẩn. Cuối
cùng, để ước tính (iv), đặt z = x^2 và hồi quy y theo hằng số và z.

10. Điều nào sau đây là một biểu thức tương đương để nói rằng biến giải thích là
“không ngẫu nhiên”?
a. Biến giải thích là một phần ngẫu nhiên
b. Biến giải thích được cố định trong các mẫu lặp lại
c. Biến giải thích có tương quan với sai số
d. Biến giải thích luôn có giá trị là một
Giải thích: Từ “ngẫu nhiên” có nghĩa là ngẫu nhiên, vì vậy phi ngẫu nhiên có nghĩa
là không ngẫu nhiên! Một trong những giả định của mô hình hồi quy tuyến tính cổ
điển là biến giải thích x không ngẫu nhiên hoặc cố định trong các mẫu lặp lại. Đây là
những biểu thức gần như tương đương, mặc dù sau này là một tuyên bố mạnh hơn
một chút. Lưu ý rằng “cố định trong các mẫu lặp lại” không có nghĩa là giá trị của
nó luôn giống nhau (câu trả lời d) và điều này cũng ngăn x không mang tính ngẫu
nhiên một phần (ngẫu nhiên) hoặc tương quan với các lỗi (cũng ngụ ý rằng x là ngẫu
nhiên).

11. Nếu một công cụ ước tính được cho là nhất quán, điều đó có nghĩa là
a. Trung bình, các giá trị hệ số ước tính sẽ bằng các giá trị thực
b. Công cụ ước tính OLS là không chệch và không có công cụ ước tính không chệch
nào khác có phương sai nhỏ hơn
c. Các ước tính sẽ hội tụ trên các giá trị thực khi kích thước mẫu tăng lên
d. Các ước tính hệ số sẽ càng gần với giá trị thực của chúng càng tốt đối với các mẫu
nhỏ và lớn.

Giải thích: Theo định nghĩa, công cụ ước tính nhất quán là công cụ ước tính mẫu hội
tụ về các giá trị (tổng số) thực của chúng khi kích thước mẫu tăng lên. Trả lời a là
định nghĩa cho một công cụ ước tính không chệch, trong khi b là kết quả được chứng
minh bằng định lý Gauss-Markov. Câu trả lời d là một cách hơi khác để nêu thuộc
tính không chệch

12. Nếu một công cụ ước tính được cho là có phương sai nhỏ nhất, thì câu nào
sau đây KHÔNG được ngụ ý?
a. Xác suất mà ước tính cách xa giá trị thực của nó được giảm thiểu
b. Công cụ ước tính hiệu quả
c. Một công cụ ước tính như vậy sẽ được gọi là "tốt nhất"
d. Một công cụ ước tính như vậy sẽ luôn không bị chệch

Giải thích: Một công cụ ước tính có phương sai tối thiểu cũng sẽ được định nghĩa là
hiệu quả và “tốt nhất” – các thuật ngữ này tương đương với nhau. Công cụ ước tính
phương sai tối thiểu có nghĩa là biến thể lấy mẫu trong các ước tính tham số giữa
mẫu này và mẫu khác sẽ được giảm thiểu. Điều này cũng tương đương với việc tuyên
bố rằng xác suất ước tính cho bất kỳ mẫu cụ thể nào khác xa so với giá trị thực của
nó sẽ được giảm thiểu. Một công cụ ước tính có thể có phương sai tối thiểu nhưng là
một công cụ ước tính sai lệch. Thông thường, có một sự đánh đổi ngầm giữa việc
chọn một công cụ ước lượng không chệch nhưng không hiệu quả và chọn một công
cụ ước tính có phương sai nhỏ hơn nhưng bị chệch.
13. Xem xét công cụ ước lượng OLS cho sai số chuẩn của hệ số góc. (Những) phát
biểu nào sau đây là (là) đúng?
(i) Sai số chuẩn sẽ có quan hệ tỷ lệ thuận với phương sai phần dư
(ii) Sai số chuẩn sẽ có quan hệ nghịch chiều với độ phân tán của các quan sát trên biến
giải thích về giá trị trung bình của chúng
(iii) Sai số chuẩn sẽ có quan hệ ngược chiều với cỡ mẫu
(iv) Sai số chuẩn đưa ra thước đo độ chính xác của ước lượng hệ số.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Tất cả các câu (i) đến (iv) đều đúng. Phương sai phần dư càng lớn thì RSS
(tổng bình phương phần dư) phải càng lớn và do đó các điểm càng xa đường thẳng.
Do đó, phương sai phần dư càng lớn thì hệ số sai số chuẩn càng lớn. Điều này có
thể được nhìn thấy vì thuật ngữ “s” xuất hiện tích cực trong các công thức sai số tiêu
chuẩn cho giao điểm và độ dốc. Các quan sát trên biến giải thích (x) về giá trị trung
bình của nó càng phân tán, thì các ước tính hệ số càng chính xác vì chúng ta sẽ có
thông tin về mối quan hệ giữa y và x trên một phạm vi giá trị rộng hơn của x. Trong
các công thức, sự biến thiên của x xung quanh giá trị trung bình của nó đi vào mẫu số
cho cả hệ số góc và sai số chuẩn chặn, vì vậy độ phân tán càng lớn thì sai số chuẩn
sẽ càng nhỏ. Cỡ mẫu càng lớn thì càng có nhiều thông tin để ước tính các tham số
của mô hình. Số lượng quan sát xuất hiện rõ ràng trong công thức cho sai số chuẩn
chặn và hoàn toàn trong công thức cho sai số tiêu chuẩn độ dốc. Trong trường hợp
sau, sai số chuẩn tỷ lệ nghịch với cỡ mẫu do tổng bình phương của các quan sát trên
x về giá trị trung bình của chúng xuất hiện ở mẫu số và cỡ mẫu càng lớn thì càng có
nhiều số hạng được đưa vào số tổng này.

14. Phát biểu nào sau đây là KHÔNG ĐÚNG liên quan đến khuôn khổ kiểm định
giả thuyết cổ điển?
a. Nếu giả thuyết không H0 bị bác bỏ, phương án thay thế (H1) được chấp nhận
b. Giả thuyết không là tuyên bố đang được kiểm định trong khi giải pháp thay thế bao
gồm các kết quả quan tâm còn lại
c. Các phương pháp kiểm tra mức ý nghĩa và khoảng tin cậy sẽ luôn đưa ra kết luận
giống nhau
d. Các thử nghiệm giả thuyết được sử dụng để suy luận về các tham số tổng thể

Giải thích: Các kiểm định giả thuyết được sử dụng để đưa ra tuyên bố về tính hợp lý
của các giá trị nhất định đối với các tham số tổng thể dựa trên các ước tính được thực
hiện từ mẫu. Theo định nghĩa, giả thuyết không là tuyên bố đang được kiểm định
trong khi giải pháp thay thế bao gồm các kết quả quan tâm khác. Phương pháp kiểm
tra mức ý nghĩa và khoảng tin cậy sẽ luôn đưa ra cùng một câu trả lời (miễn là mức ý
nghĩa cố định được sử dụng cho cả hai) vì một phương pháp có thể được xem chỉ là
sự sắp xếp lại của phương pháp kia. Người ta không bao giờ nói rằng giả thuyết
thay thế được chấp nhận. Lý do mà điều này không được thực hiện là, về mặt tổng
quát, có thể bác bỏ một giả thuyết vô hiệu mà giả thuyết thay thế không đúng. Do
đó a là mệnh đề sai duy nhất.

15. Giả sử tiến hành kiểm định giả thuyết với mức ý nghĩa 5%. Những câu nào
sau đây là đúng?
(i) Mức ý nghĩa bằng với kích thước của kiểm định
(ii) Mức ý nghĩa bằng với sức mạnh của kiểm định
(iii) 2,5% tổng phân phối sẽ nằm trong mỗi vùng loại bỏ đuôi đối với thử nghiệm 2
phía
(iv) 5% tổng phân phối sẽ nằm trong mỗi vùng loại bỏ đuôi đối với thử nghiệm 2 phía.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: (i) và (iii) đúng trong khi (ii) và (iv) sai. Mức ý nghĩa và quy mô của kiểm
định là những cách khác nhau để nói cùng một điều: chúng đo lường tỷ lệ của tổng
phân phối mà thống kê kiểm tra được giả định tuân theo được đặt trong (các) vùng
bác bỏ. Mức ý nghĩa bằng xác suất sai lầm loại I. Xác suất của lỗi loại II được đưa ra
bởi sức mạnh của thử nghiệm, không phải mức ý nghĩa. Nếu mức ý nghĩa 5% được sử
dụng, điều này có nghĩa là trong tổng số 5% của toàn bộ phân phối phải nằm trong
vùng bác bỏ và nếu kiểm định là 2 phía, điều này có nghĩa là 2,5% phân phối sẽ nằm
trong mỗi vùng bác bỏ, và không phải 5% ở mỗi đuôi. 5% ở mỗi đuôi sẽ hàm ý mức ý
nghĩa 10% đối với phép thử 2 phía, trong khi câu hỏi chỉ định mức ý nghĩa 5%.

16. Kết quả hồi quy sau đây thu được cho mô hình

, được ước tính bằng 100 quan sát và trong đó các sai số chuẩn được trình bày trong
ngoặc đơn:

Hãy xem xét một thử nghiệm của giả thuyết không rằng giá trị thực của hệ số góc (hệ
số beta) là -1. Sử dụng phép thử một phía 5%, trong đó phương án thay thế có dạng
H1: β < -1, kết luận phù hợp là gì?
(i) H0 bị bác bỏ
(ii) H0 không bị bác bỏ
(iii) H1 bị từ chối
(iv) Không có đủ thông tin trong câu hỏi để đi đến kết luận
a. (i)
b. (ii)
c. (iii)
d. (iv)

Giải thích: Bước đầu tiên để trả lời câu hỏi này là hình thành thống kê kiểm định.
Điều này sẽ được đưa ra bởi
t=(-0,3 – (- 1)) / 0,1 = 7
Vì thống kê kiểm định t có giá trị tuyệt đối lớn, nên phản hồi ban đầu có thể nói rằng
H0 nên bị từ chối. Tuy nhiên, câu hỏi quy định rằng nên thực hiện kiểm định một phía
và giả thuyết thay thế có dạng “<”. Do đó, sự từ chối sẽ chỉ xảy ra nếu thống kê kiểm
tra nằm trong vùng từ chối thấp hơn (tức là nếu thống kê kiểm tra là "lớn và âm
tính"). Do đó, H0 không bị từ chối và (ii) là câu trả lời đúng.
17. Xem xét một tình huống tương tự như câu hỏi 16, ngoại trừ việc bây giờ sử
dụng phương án 2 bên. Điều gì bây giờ sẽ là kết luận thích hợp?
(i) H0 bị bác bỏ
(ii) H0 không bị bác bỏ
(iii) H1 bị từ chối
(iv) Không có đủ thông tin đưa ra trong câu hỏi để đi đến kết luận.
a. (i)
b. (ii)
c. (iii)
d. (iv)

Giải thích: Bây giờ, nếu kiểm tra 2 phía được sử dụng, thống kê kiểm định sẽ vẫn có
cùng giá trị và việc từ chối sẽ xảy ra nếu thống kê kiểm định giảm ở một trong hai
vùng. Vì các giá trị tới hạn 5% 2 phía gần với –2 và +2, thống kê hiện rõ ràng nằm
trong vùng bác bỏ và do đó câu trả lời 1 là đúng.

18. Giá trị nào sau đây là thích hợp nhất để làm khoảng tin cậy 95% (hai phía)
cho số hạng chặn của mô hình được đưa ra trong câu hỏi 21?
a. (-4.79,2.19)
b. (-4.16,4.16)
c. (-1.98,1.98)
d. (-5.46,2.86)

Giải thích: Nhớ lại rằng công thức ước lượng khoảng tin cậy cho tham số chặn sẽ là
(alpha mũ - SE(alpha mũ)*t critical_value, alpha mũ + SE(alpha mũ)*t critical_value
) đặt các điều khoản có liên quan sẽ đưa ra khoảng thời gian trong trường hợp này là
(-1,3-1,98*2,1, -1,3+1,98*2,1) hoặc (-5,46,2,86). Do đó d là câu trả lời đúng. Các lỗi
mà bạn có thể đã mắc phải bao gồm việc sử dụng giá trị tới hạn 5% một phía, sẽ là
khoảng 1,66 thay vì 1,98. Điều này sẽ đưa ra câu trả lời a. Lỗi thứ hai có thể xảy ra
là quên thêm giá trị hệ số, do đó khoảng sẽ bị tính sai thành (-1,98X2,1, 1,98X2,1),
điều này sẽ cho câu trả lời b. Câu trả lời c sẽ có được nếu chỉ sử dụng các giá trị tới
hạn!
19. Định nghĩa nào sau đây là phù hợp nhất về khoảng tin cậy 99%?
a. 99% thời gian trong các mẫu lặp lại, khoảng thời gian sẽ chứa giá trị thực của tham
số
b. 99% thời gian trong các mẫu lặp lại, khoảng thời gian sẽ chứa giá trị ước tính của
tham số
c. 99% thời gian trong các mẫu lặp lại, giả thuyết không sẽ bị từ chối
d. 99% thời gian trong các mẫu lặp lại, giả thuyết không sẽ không bị bác bỏ khi nó sai

Giải thích: Mặc dù từ góc độ triết học, một số nhà nghiên cứu sẽ không đồng ý với
định nghĩa này, nhưng trong khóa học này, khoảng tin cậy 99% được coi là có nghĩa
là 99% thời gian trong các mẫu lặp lại, khoảng sẽ chứa giá trị tham số thực. Như vậy
a đúng. Tất nhiên, theo cách xây dựng, khoảng sẽ luôn chứa tham số ước tính chính
xác ở giữa, vì vậy b không chính xác. Đối với khoảng tin cậy 99%, chúng ta có thể nói
rằng 99% trường hợp giá trị rỗng sẽ không bị từ chối khi giá trị rỗng đúng (tức là
chúng ta đã đưa ra quyết định đúng), đây không phải là công thức của d, vì vậy d
không chính xác. Chúng ta không thể nói giả thuyết không sẽ bị bác bỏ thường xuyên
như thế nào – nó phụ thuộc vào việc nó đúng hay sai! Tất cả những gì chúng ta có thể
nói là mức độ thường xuyên mà H0 sẽ bị từ chối do ngẫu nhiên. Do đó c sai.

20. Câu nào sau đây mô tả đúng nhất về lỗi Loại II?
a. Đó là xác suất bác bỏ sai giả thuyết không
b. Nó tương đương với sức mạnh của kiểm định
c. Nó tương đương với kích thước của kiểm định
d. Đó là xác suất không bác bỏ một giả thuyết không là sai

Giải thích: Theo định nghĩa, lỗi loại II xảy ra khi không bác bỏ một giả thuyết không
là sai. Như vậy d là đúng. Tình huống bác bỏ sai giả thuyết không trong khi giả thuyết
không đúng là lỗi loại I. Xác suất lỗi loại I này bằng với kích thước của kiểm định.
Sức mạnh của kiểm định là một lần trừ đi xác suất của lỗi loại II, chứ không phải xác
suất của chính lỗi loại II.

21. Giả sử rằng một thống kê kiểm định có giá trị p là 0,08. Một trong những
tuyên bố sau đây là đúng?
(i) Nếu kích thước của kiểm định chính xác là 8%, chúng ta sẽ không quan tâm đến
việc bác bỏ hay không bác bỏ giả thuyết không
(ii) Giá trị H0 sẽ bị từ chối nếu kích thước thử nghiệm 10% được sử dụng
(iii) Giá trị H0 sẽ không bị từ chối nếu kích thước thử nghiệm 1% được sử dụng
(iv) Giá trị H0 sẽ bị từ chối nếu kích thước thử nghiệm 5% được sử dụng.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: (i) đến (iii) đúng trong khi (iv) sai. Giá trị p được định nghĩa là mức ý
nghĩa cận biên mà chúng ta sẽ thờ ơ giữa việc bác bỏ và không bác bỏ giả thuyết
không. Điều này đôi khi cũng được gọi là mức ý nghĩa chính xác hoặc mức hợp lý cho
giả thuyết không. Do đó, theo định nghĩa này, rõ ràng là nếu mức ý nghĩa (kích thước
của phép thử) chính xác là 8%, chúng ta sẽ không phân biệt giữa bác bỏ và không bác
bỏ giả thuyết không (vì vậy tôi đúng). Nếu chúng tôi sử dụng kích thước thử nghiệm
lớn hơn (tức là vùng từ chối lớn hơn), null sẽ bị từ chối (vì vậy ii là đúng), trong khi
nếu chúng tôi sử dụng kích thước thử nghiệm nhỏ hơn (vùng từ chối nhỏ hơn), null sẽ
không bị từ chối (vì vậy iv là sai và iii là đúng).
 CHƯƠNG 4:
1/ Giả sử rằng hồi quy sau đây được ước tính bằng 27 quan sát hàng quý:

Giá trị tới hạn phù hợp cho kích thước 5% của phép thử 2 mặt của H 0 : β 3 = 1 là
bao nhiêu?

Đáp số: 2,06

Trong khuôn khổ có tổng k “biến hồi quy” bao gồm một hằng số (tức là k tham số để
ước lượng) và T quan sát được sử dụng, thống kê kiểm định t sẽ tuân theo phân phối t
với T - k bậc tự do. Trong trường hợp này, T = 27 và k = 3. Thực tế là các quan sát là
hàng quý là không liên quan. Do đó, chúng tôi sẽ tìm kiếm trong các bảng t ở bậc tự
do = 24 hàng và hàng 2,5% (do đó, 2,5% ở mỗi đuôi đối với thử nghiệm 2 mặt 5%).
Giá trị quan trọng sẽ là 2,06. (DÒ SÁCH)

2/ Theo ký hiệu ma trận cho mô hình hồi quy tuyến tính cổ điển, y = Xβ + u , u có
kích thước là bao nhiêu ?

Trả lời: T × 1

u là một véc tơ của nhiễu loạn. Giả sử rằng dữ liệu là chuỗi thời gian, sẽ có một mục
cho sự xáo trộn tại mỗi thời điểm. Do đó u sẽ là T × 1.

3/ Xem xét các số liệu thống kê sau được tính toán từ dữ liệu thô:

cho mô hình ước tính sử dụng 30 quan sát hàng tháng.

Ước lượng của β3 là bao nhiêu?

Trả lời: 0,01

Ước tính của β3 sẽ thu được bằng cách nhân hàng cuối cùng của ma trận nghịch đảo
(X’X) với cột (X'y). Nói cách khác, phép tính sẽ là: (-0,1 × -0,5) + (-0,3 × 0,4) + (0,4
× 0,2) = 0,01.

4/ Kích thước của û'û là gì ?

Trả lời: 1 x 1

5/ Xét các số liệu thống kê sau được tính toán từ dữ liệu thô:

cho mô hình ước tính sử dụng 30 quan sát hàng tháng.

Ước lượng sai số chuẩn của β2 là bao nhiêu?

Trả lời: 0,12

Ước tính lỗi tiêu chuẩn cho phiên bản β 2 sẽ có được sau một vài bước. Đầu tiên, hãy
tính s2 , được cho bởi RSS /( T - k ) = 0,6/(30-3) = 0,022.

Sau đó, nhân phần tử này với phần tử thứ hai trên đường chéo chính của ma trận
(X'X )-1 và phần tử thứ hai này là 0,6. Phép nhân là 0,022 x 0,6 = 0,0132. 0,0132 sẽ là
phương sai hệ số, do đó sai số chuẩn thu được bằng cách lấy căn bậc hai của giá trị
này, là 0,12 (khi làm tròn).

RSS: tổng bình phương phần dư

6/ Xét các số liệu thống kê sau được tính toán từ dữ liệu thô:

cho mô hình ước tính sử dụng 30 quan sát hàng tháng.

Thống kê kiểm tra thu được từ việc kiểm tra giả thuyết khống rằng giá trị thực
của hệ số chặn bằng 0 là gì?

Trả lời: -0,09

Câu hỏi này yêu cầu bạn thực hiện công việc của cả hai câu hỏi trước đó. Trước tiên,
bạn cần tính hệ số chặn, hệ số này sẽ thu được bằng cách nhân hàng đầu tiên của ma
trận nghịch đảo (X'X) với cột (X ' y ) – nghĩa là (-0,3 x 0,5) + (0,2 x 0,4) + (-0,1 x 0,2)
= -0,09.

Sai số chuẩn sẽ được cho bởi căn bậc hai của (0,022 x 0,3), là 0,0816.

Thống kê kiểm định sẽ được tính bằng ước tính chia cho sai số chuẩn của nó (vì giá trị
của hệ số beta được kiểm định theo giả thuyết khống bằng 0). Do đó, thống kê kiểm
tra là

–0,09/0,0816 = -1,10.

7/ Giả sử một phép thử mà giá trị thực của hệ số chặn bằng 0 cho kết quả không
bác bỏ. Điều gì sẽ là kết luận thích hợp?

Trả lời: Giữ lại phần chặn

Sẽ là sai lầm nếu loại bỏ phần chặn, vì nó phải luôn được giữ lại trong mô hình hồi
quy, ngay cả khi nó không có ý nghĩa trong mô hình hồi quy. Lý do là việc loại trừ hệ
số chặn có thể dẫn đến các ước tính sai lệch và không nhất quán trên tất cả các tham
số độ dốc. Ngoài ra, bất kỳ dự báo nào được thực hiện từ hồi quy không có thuật ngữ
chặn cũng có thể bị sai lệch. Sẽ không cần phải tính toán lại thống kê kiểm định, vì hệ
số chặn là không đáng kể. Đường hồi quy sẽ chỉ đi qua gốc tọa độ nếu ước lượng chặn
chính xác bằng không. Trong thực tế, điều đó rất khó xảy ra.

8/ Giả sử rằng 100 công ty riêng biệt đã được thử nghiệm để xác định xem có bao
nhiêu trong số họ “đánh bại thị trường” bằng cách sử dụng phương pháp hồi
quy kiểu Jensen và người ta thấy rằng có 3 nhà quản lý quỹ làm như vậy một
cách đáng kể. Điều này có gợi ý bằng chứng hiển nhiên cho sự kém hiệu quả của
thị trường chứng khoán không?
Trả lời: Không

Câu trả lời là không. Nếu chúng tôi sử dụng phép kiểm tra một phía 5% với một mẫu
dữ liệu chuỗi thời gian duy nhất, chúng tôi sẽ mong đợi 5% các nhà quản lý vượt trội
hơn thị trường theo cách có ý nghĩa thống kê 5% thời gian chỉ do tình cờ. Nói cách
khác, nếu chúng tôi lấy 100 quy tắc giao dịch hoàn toàn ngẫu nhiên và áp dụng chúng
vào dữ liệu, chúng tôi sẽ mong đợi trung bình 5% số quy tắc đánh bại thị trường theo
thống kê. Vì trong trường hợp này, chỉ có 3 nhà quản lý quỹ có thể đánh bại thị trường
theo nghĩa thống kê, điều này không cho thấy bằng chứng về sự kém hiệu quả của thị
trường chứng khoán, vì vậy b đúng. Lưu ý rằng nếu chúng tôi có nhiều nhóm quan sát
chuỗi thời gian riêng biệt và chúng tôi nhận thấy rằng 3 nhà quản lý quỹ giống nhau
luôn hoạt động tốt hơn thị trường một cách đáng kể, thì đây sẽ là bằng chứng chống
lại EMH.

9/ Xét phương trình hồi quy ước lượng sau 1.000 quan sát hàng ngày.

(1)

Điều nào sau đây sẽ là hồi quy hạn chế có thể xảy ra đối với việc kiểm định giả
thuyết không H 0 : β 2 + β 3 = 1?

(i) Hồi quy bị hạn chế sẽ là phương trình được gọi là phương trình (1) ở trên

(ii)

(iii)

(iv)

Trả lời: (iii)

Cách để làm điều này sẽ như sau. Đầu tiên, sắp xếp lại giới hạn sao cho nó được viết
với một trong các beta làm chủ ngữ của biểu thức – ví dụ: beta2 = 1-beta3. Tiếp theo,
áp đặt điều này lên mô hình hồi quy bằng cách thay beta2 vào phương trình. Khi đó
phương trình sẽ là: y = beta1 + (1-beta3) × 2 + beta3 × 3 + beta4 × 4 + u.
Sau đó, mở rộng dấu ngoặc đơn sẽ cho: y = beta1 + × 2 – beta3 × 2 + beta3 × 3 +
beta4 × 4 + u.

Sau đó, mở rộng các dấu ngoặc đơn và sắp xếp lại biểu thức, thu thập bất kỳ biến nào
không có tham số được đính kèm ở phía bên trái và tập hợp tất cả các thuật ngữ trong
mỗi bản beta lại với nhau.

y – × 2 = beta1 + beta3 ( × 3 – × 2) + beta4 × 4 + u.

Cuối cùng, để có thể ước tính mô hình, một sự thay thế sẽ được thực hiện để làm cho
phương trình cuối cùng xuất hiện dưới dạng mô hình hồi quy tuyến tính tiêu chuẩn, ví
dụ: P = ( y – x 2) và Q = ( × 3 – × 2), để hồi quy ước tính sẽ là P = beta1 + beta3 Q +
beta4 x 4 + u.

Một câu hỏi rõ ràng cần đặt ra là điều gì sẽ xảy ra nếu beta3 được coi là đối tượng của
sự hạn chế thay vì beta2 (nghĩa là nếu chúng ta viết beta3 = 1 - beta2). Nếu đây là
trường hợp, một khi hạn chế đã được áp đặt, tổng bình phương còn lại sẽ giống hệt
như kết quả nếu beta2 bị thay thế.

10/ Xét phương trình hồi quy ước lượng sau 1.000 quan sát hàng ngày.

(1)

Giả thuyết vô hiệu nào sau đây có thể được kiểm tra bằng phép thử F ?

(i) β 2 = 1

(ii) b 3 2 = 1

(iii) β 4 = - β 2

(iv) β 3 β 4 = 0

Trả lời: (i) và (iii)

Để được kiểm tra bằng phép thử F, các hạn chế phải tuyến tính (trong các tham số) và
rõ ràng (iii) phù hợp với mô tả này. Cũng cần nhớ lại rằng các giả thuyết đơn lẻ như
(i) cũng có thể được kiểm tra bằng cách sử dụng phép thử F cũng như phép thử t , do
đó (iii) có thể được kiểm tra bằng phép thử F - test.
11/ Xét phương trình hồi quy ước lượng sau 1.000 quan sát hàng ngày.

(1)

Giả sử rằng kiểm định ở câu hỏi 9 được tiến hành, [Điều nào sau đây sẽ là hồi
quy hạn chế khả dĩ đối với kiểm định giả thuyết không H 0 : β2 + β3 = 1?] giá trị tới
hạn liên quan từ bảng thống kê để so sánh thống kê kiểm tra?

Trả lời: 3,84

Giả thuyết không trong câu hỏi 9 liên quan đến m = 1 hạn chế (mặc dù hạn chế duy
nhất liên quan đến hai tham số) và chúng ta được biết rằng số lượng quan sát, T là
1.000. k , số "biến hồi quy" trong hồi quy không giới hạn bao gồm một hằng số hoặc
số tham số được ước tính trong hồi quy không giới hạn, là 4. Do đó, giá trị tới hạn
thích hợp để tra cứu sẽ là F (1,996), giá trị này sẽ được tìm thấy trong cột tương ứng
với cột đầu tiên và hàng thứ 996 của bảng F -. Vì không có hàng thứ 996 nên giá trị
thích hợp nhất để sử dụng sẽ nằm ở hàng “vô cùng” (tức là hàng cuối cùng) của bảng.
Giá trị tới hạn phù hợp (giả sử mức ý nghĩa 5%) sẽ là 3,84. Bạn sẽ nhận sai 3,00 nếu
bạn đã sử dụng giới hạn m = 2, trong khi nhận sai giá trị tới hạn là 253 hoặc 254 sẽ
phát sinh từ việc trộn lẫn các hàng và cột (ví dụ: tìm nhầm F(996,1) ).

12/ Xét phương trình hồi quy ước lượng sau 1.000 quan sát hàng ngày.

(1)

Giả sử rằng kiểm định ở câu hỏi 9 đã được tiến hành, [Điều nào sau đây sẽ là hồi
quy hạn chế khả dĩ đối với kiểm định giả thuyết không H 0 : β 2 + β 3 = 1?] và hai
tổng bình phương còn lại cần thiết là 30.2 và 28.1, thống kê F -test là gì?

Trả lời: 74,4

Nhắc lại kết quả rằng tổng bình phương dư bị hạn chế luôn lớn hơn trong hai bình
phương và công thức cho thống kê kiểm tra là

kiểm tra-thống kê = (( RRSS – URSS )/URSS ) x (Tk)/m

Kết quả là kiểm tra thống kê = ((30,2 – 28,1) / 28,1) × (996)/1= 74,43
Vậy đáp án đúng là c. Kết quả 37,2 sẽ xuất hiện nếu bạn nghĩ rằng có hai hạn chế
(trong khi thực tế chỉ có một hạn chế) và thống kê F âm sẽ xuất hiện sai nếu hai RSS
được trộn lẫn.

13/ Xét phương trình hồi quy ước lượng sau 1.000 quan sát hàng ngày.

(1)

Điều gì sẽ là giả thuyết vô hiệu cho hồi quy tiêu chuẩn F -test cho phương trình
(1) ở trên?

(i) β 2 = 0 và β 3 = 0 và β 4 = 0

(ii) β 2 = 0 hoặc β 3 = 0 hoặc β 4 = 0

(iii) β 1 = 0 và β 2 = 0 và β 3 = 0 và β 4 = 0

(iv) β 1 = 0 hoặc β 2 = 0 hoặc β 3 = 0 hoặc β 4 = 0

Trả lời: (i)

Hãy nhớ lại rằng thống kê F hồi quy kiểm tra giả thuyết không chung rằng các giá trị
thực của tất cả các tham số ngoại trừ hằng số đều bằng không. Tham số chặn không
được bao gồm trong giả thuyết khống này vì nó không phải là biến giải thích và do đó
nó không giải thích y nên chúng tôi không quan tâm đến việc kiểm tra giá trị của nó.
Ngoài ra, vì chúng tôi muốn hạn chế tất cả các tham số trên các biến giải thích cùng
một lúc, nên “và” sẽ xuất hiện trong giả thuyết không, trong khi “hoặc” sẽ xuất hiện
dưới giả thuyết thay thế. Trường hợp thứ hai phát sinh do chỉ cần một phần của giả
thuyết khống chung không được dữ liệu hỗ trợ thì toàn bộ giả thuyết khống bị bác bỏ.

14/ Điều nào sau đây được kiểm tra bằng cách xem xét mức độ phù hợp của
thống kê?

Trả lời: Đáp án đều sai

Thống kê mức độ phù hợp tốt cho thấy mô hình ước tính phù hợp với dữ liệu tốt như
thế nào - nghĩa là - hàm hồi quy mẫu phù hợp với dữ liệu như thế nào. Sẽ rất tốt nếu
biết mô hình ước tính mô tả mối quan hệ thực sự giữa các biến thể hiện trong hàm hồi
quy tổng thể tốt đến mức nào, nhưng điều này không bao giờ có thể thực hiện được vì
trong thực tế, chúng ta sẽ không bao giờ có quyền truy cập vào toàn bộ dữ liệu tổng
thể. Do đó, hàm hồi quy dân số không bao giờ được biết đến và do đó tất cả các câu
trả lời kết hợp PRF đều sai!

15/ Giả sử giá trị của R 2 cho một mô hình hồi quy ước tính bằng không. Điều nào
sau đây là đúng?

(i) Tất cả các ước tính hệ số trên các sườn dốc sẽ bằng không

(ii) Đường phù hợp sẽ nằm ngang đối với tất cả các biến giải thích

(iii) Đường hồi quy chưa giải thích được bất kỳ sự biến thiên nào của y về giá trị
trung bình của nó

(iv) Ước lượng hệ số chặn phải bằng không.

Trả lời: (i), (ii), và (iii)

Tất cả (i) đến (iii) đều đúng. Nếu giá trị của R bình phương chính xác bằng 0, thì điều
này chỉ có thể xảy ra nếu tổng bình phương còn lại bằng tổng tổng bình phương sao
cho hồi quy không giải thích được bất kỳ biến thiên nào của y về giá trị trung bình của
nó và giải thích tổng các bình phương bằng không. Nói cách khác, đường hồi quy đã
không giải thích bất kỳ sự biến thiên nào của y về giá trị trung bình của nó, vì vậy (iii)
là đúng. Nếu đây là trường hợp, tất cả các ước tính hệ số góc phải bằng 0 ((i) là chính
xác), mặc dù ước tính chặn có thể bằng 0 hoặc không, vì vậy (iv) là sai. Do đó, nếu
chúng ta vẽ y riêng biệt theo từng biến giải thích, thì đường kết quả sẽ nằm ngang
trong từng trường hợp ((ii) là đúng).

16/ Xét 2 mô hình hồi quy sau:

Mô hình 1:

Mô hình 2:

Khẳng định nào sau đây là đúng?

(i) Mô hình 2 phải có R 2 ít nhất cao bằng mô hình 1

(ii) Mô hình 2 phải có R 2 điều chỉnh ít nhất cao bằng mô hình 1

(iii) Mô hình 1 và 2 sẽ có các giá trị R 2 giống hệt nhau

nếu hệ số ước tính trên α 3 bằng
không

R 2 đã điều chỉnh giống hệt nhau nếu hệ số ước tính trên α 3 bằng không.

Trả lời: (i) và (iii)

Đúng là mô hình 2 phải có R-squared ít nhất cao bằng mô hình 1 vì mô hình trước
chứa một biến bổ sung và R -squared không bao giờ có thể giảm khi một biến phụ
được thêm vào. Tuy nhiên, giá trị của R-squared đã điều chỉnh có thể tăng hoặc giảm.
Nếu biến bổ sung x 3 không có khả năng giải thích đáng kể cho y , R-squared đã điều
chỉnh sẽ giảm do việc tăng k lên một sẽ có tác dụng làm giảm R-squared đã điều chỉnh
và sẽ bù đắp nhiều hơn mức tăng trong R-squared . Do đó, R-squared đã điều chỉnh
kết hợp một thuật ngữ phạt phạt các mô hình lớn với các biến không đáng kể. Nếu giá
trị ước tính của alpha3 chính xác bằng 0, nếu như thể biến x 3 không được bao gồm
trong mô hình thứ hai. Do đó, trong trường hợp đó, hai giá trị của R -squared sẽ bằng
nhau. Áp dụng logic tương tự như trên, nếu giá trị ước tính của alpha3 chính xác bằng
0, mặc dù các giá trị R bình phương bằng nhau cho hai mô hình, R-squared được điều
chỉnh sẽ thấp hơn đối với mô hình 2 do số lượng biến giải thích vẫn còn được tăng lên
một.

17/ Giả sử rằng, đối với các mô hình ở câu 16, R 2 cao hơn ở mô hình 2 nhưng R 2
đã điều chỉnh lại thấp hơn ở mô hình 2. Giải thích nào sau đây là hợp lý nhất?

(i) Ước lượng hệ số trên α 3 bằng không

(ii) Ước lượng hệ số α 3 khác 0 nhưng không có ý nghĩa

(iii) Biến x 3 t tương quan cao với biến x 2 t

(iv) Nhà nghiên cứu chắc chắn đã phạm sai lầm vì tình huống được mô tả trong
câu hỏi không thể xảy ra.

Trả lời: (ii)

Nếu R-squared cao hơn đối với mô hình 1 nhưng R-squared đã điều chỉnh cao hơn đối
với mô hình 2, điều này dường như cho thấy rằng biến phụ không có ý nghĩa thống kê
(nghĩa là nó không có tác động lớn đến y ). Ước tính hệ số trên alpha3 không thể
chính xác bằng 0 nếu không hai giá trị bình phương R sẽ bằng nhau. Nếu các biến x 2
và x 3 có mối tương quan cao, thì điều này có thể dẫn đến cả R-squared và R-squared
đã điều chỉnh tăng khi x 3 được thêm vào mô hình (xem phần về đa cộng tuyến trong
khóa học). Cuối cùng, rất có thể tình huống được mô tả trong câu hỏi có thể phát sinh
trong thực tế.

18/ Giả sử hai mô hình ở câu 16 có giá trị R 2 giống hết nhau. Một trong những
tuyên bố sau đây là đúng?

(i) Hai mô hình cũng sẽ có các giá trị R2 được điều chỉnh giống hết nhau

(ii) Mô hình 2 phải có giá trị R2 hiệu chỉnh cao hơn

(iii) Mô hình 2 phải có giá trị R2 điều chỉnh thấp hơn

(iv) Không thể xác định mô hình nào sẽ có R 2 cao hơn nếu không biết cỡ mẫu.

Trả lời: (iii)

Nếu hai mô hình có các giá trị R -squared giống hệt nhau, điều này có nghĩa là biến x
3 có khả năng giải thích chính xác bằng không cho y và ước tính của alpha3 phải
chính xác bằng không. Hai mô hình sẽ không có R -squared được điều chỉnh giống hệt
nhau vì các giá trị R -squared thô giống nhau, nhưng k cao hơn đối với mô hình 2 nên
chắc chắn nó sẽ có R -squared được điều chỉnh thấp hơn.

19/ Điều nào sau đây không phải là ưu điểm của hồi quy lượng tử so với OLS tiêu
chuẩn?

Trả lời: Hồi quy lượng tử không yêu cầu giả định phương sai thay đổi

Tất cả bốn điều trên là lợi ích của ước tính lượng tử. Vì chúng ước tính hiệu quả một
họ các hàm hồi quy, một hàm cho mỗi nhóm phân vị, nên tác động của các giá trị
ngoại lệ ít nghiêm trọng hơn và chúng có thể cho phép thay đổi mối quan hệ giữa các
biến phụ thuộc và biến độc lập giữa các nhóm phân vị. Vì chúng ta có thể có các ước
tính khác nhau cho các lượng tử ở các điểm cực trị của biến phụ thuộc, nên chúng
cũng có thể được sử dụng để nắm bắt hành vi đuôi. Tuy nhiên, giả định về phương sai
thay đổi vẫn cần thiết cho ước lượng hồi quy lượng tử như đối với OLS tiêu chuẩn.

20/ Hồi quy lượng tử đo lường cái gì?

Trả lời: Toàn bộ phân phối của y với phân phối của các biến giải thích

Hồi quy lượng tử có thể nắm bắt toàn bộ phân phối của y dựa trên phân phối của các
biến giải thích – sau đó tùy thuộc vào nhà nghiên cứu để chọn phân vị để tập trung
vào – vì vậy, ví dụ, trong khi phân vị trung bình hoặc phân vị thứ năm có thể được
quan tâm đặc biệt , tất cả các lượng tử được tính toán. Mối quan hệ giữa giá trị trung
bình của y và giá trị trung bình của các biến giải thích thực tế là những gì được mô
hình hóa bởi OLS trong một hồi quy tiêu chuẩn.

21/ Các tham số của hàm hồi quy lượng tử được ước lượng bởi:

Trả lời: Tối thiểu hóa tổng các giá trị tuyệt đối có trọng số của phần dư

OLS giảm thiểu tổng bình phương phần dư; giảm thiểu tổng các giá trị tuyệt đối của
phần dư sẽ mang lại mối quan hệ trung bình, đây chỉ là một trong các phân vị. Giảm
thiểu tổng các giá trị tuyệt đối có trọng số của phần dư bằng cách sử dụng các trọng số
t khác nhau sẽ mang lại các ước tính hồi quy cho từng lượng tử t .

CHƯƠNG 5:
1. Giả định nào sau đây được yêu cầu để thể hiện tính nhất quán, không chệch và
hiệu quả của công cụ ước lượng OLS?
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv) only

Giải thích: Tất cả các giả định được liệt kê từ (i) đến (iii) đều cần thiết để chỉ ra rằng
công cụ ước tính OLS có các đặc tính mong muốn về tính nhất quán, không chệch và
hiệu quả. Tuy nhiên, không cần thiết phải giả định tính quy tắc (iv) để rút ra các kết
quả trên cho các ước tính hệ số. Giả định này chỉ cần thiết để xây dựng thống kê kiểm
định tuân theo các phân phối thống kê tiêu chuẩn – nói cách khác, nó chỉ cần thiết để
kiểm tra giả thuyết chứ không phải để ước lượng hệ số.

2. Điều nào sau đây có thể là hậu quả của việc một hoặc nhiều giả định CLRM bị
vi phạm?
(i) Các ước lượng hệ số không tối ưu
(ii) Ước lượng sai số chuẩn không tối ưu
(iii) Phân phối giả định cho thống kê kiểm định là không phù hợp
(iv) Các kết luận về độ mạnh của mối quan hệ giữa các biến phụ thuộc và biến độc lập
có thể không hợp lệ.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)
Giải thích: Nếu một hoặc nhiều giả định bị vi phạm, thì các hệ số có thể sai hoặc sai
số chuẩn của chúng có thể sai và trong cả hai trường hợp, bất kỳ kiểm định giả thuyết
nào được sử dụng để điều tra sức mạnh của mối quan hệ giữa các biến giải thích và
các biến được giải thích đều có thể không hợp lệ. Vì vậy, tất cả (i) đến (iv) đều đúng.

3. Ý nghĩa của thuật ngữ “phương sai thay đổi” là gì?

a. Phương sai của các sai số không phải là hằng số
b. Phương sai của biến phụ thuộc không phải là hằng số
c. Các sai số không độc lập tuyến tính với nhau
d. Các sai số có ý nghĩa khác không

Giải thích: Theo định nghĩa, phương sai thay đổi có nghĩa là phương sai của sai số
không phải là hằng số.

4. Xét mô hình hồi quy sau

(2)
Giả sử rằng một nhà nghiên cứu quan tâm đến việc tiến hành kiểm định phương sai
thay đổi của White bằng cách sử dụng phần dư từ ước lượng của (2). Điều gì sẽ là
hình thức thích hợp nhất cho hồi quy phụ?

a. (i)
b. (ii)
c. (iii)
d. (iv)

Giải thích: Điều đầu tiên cần nghĩ đến là biến phụ thuộc nào sẽ là biến phụ thuộc cho
hồi quy phụ. Hai khả năng được đưa ra trong câu hỏi: u_t-squared và u_t. Nhớ lại
rằng công thức cho phương sai của bất kỳ biến ngẫu nhiên u_t nào là
E[u_t – E(u_t)]bình phương
và rằng E(u_t) bằng 0, theo giả định đầu tiên của mô hình hồi quy tuyến tính cổ điển.
Do đó, phương sai của biến ngẫu nhiên đơn giản hóa thành
E[u_t bình phương]. Do đó, đại diện của chúng tôi cho phương sai của các nhiễu tại
mỗi thời điểm t trở thành phần dư bình phương. Do đó, câu trả lời c và d chứa u chứ
không phải u bình phương, đều sai. Vấn đề tiếp theo là xác định đâu là biến giải thích
trong hồi quy phụ. Vì, để có phương sai đồng nhất, các nhiễu phải có phương sai
không đổi đối với tất cả các biến, nên chúng ta có thể đưa bất kỳ biến nào chúng ta
muốn vào phương trình. Tuy nhiên, kiểm định của White sử dụng các biến giải thích
ban đầu, bình phương của chúng và tích chéo theo cặp của chúng. Một hồi quy chứa
giá trị trễ của u như một biến giải thích sẽ thích hợp để kiểm định tính tự tương quan
(tức là liệu u có liên quan đến các giá trị trễ của nó hay không) nhưng không phù hợp
với phương sai thay đổi. Như vậy (ii) đúng.

5. Xét mô hình hồi quy sau

(2)
Giả sử rằng mô hình (2) được ước tính bằng cách sử dụng 100 quan sát hàng quý và
một thử nghiệm thuộc loại được mô tả trong câu hỏi 4 được tiến hành. Giá trị tới hạn
x2 thích hợp để so sánh thống kê kiểm định, giả sử quy mô kiểm định là 10% là bao
nhiêu?
a. 2.71
b. 118.50
c. 11.07
d. 9.24

Giải thích: Phân phối chi bình phương chỉ có một tham số bậc tự do, đó là số giới
hạn được đặt trên mô hình theo giả thuyết không. Giả thuyết không được quan tâm sẽ
là tất cả các hệ số trong hồi quy phụ, ngoại trừ hệ số chặn, đều bằng không. Do đó,
theo câu trả lời đúng cho câu hỏi 4, b, điều này có nghĩa là alpha2 đến alpha6 cùng
bằng 0 theo giả thuyết khống. Điều này ngụ ý phân phối chi bình phương với 5 bậc tự
do. Giá trị tới hạn 10% từ phân phối này xấp xỉ 9,24 và do đó 4 là chính xác.

6. Điều gì sẽ xảy ra sau đó đối với công cụ ước lượng OLS nếu phương sai thay
đổi xuất hiện trong mô hình hồi quy nhưng bị bỏ qua?
a. Nó sẽ bị chệch
b. Nó sẽ không nhất quán
c. Nó sẽ không hiệu quả
d. Tất cả (a), (b) và (c) sẽ đúng

Giải thích: Theo phương sai thay đổi, với điều kiện là tất cả các giả định khác của mô
hình hồi quy tuyến tính cổ điển đều được tuân thủ, các ước tính hệ số sẽ vẫn nhất
quán và không chệch, nhưng chúng sẽ không hiệu quả. Như vậy c là đúng. Kết quả
cuối cùng là trong khi điều này sẽ không dẫn đến các ước lượng hệ số sai, thì thước
đo của chúng tôi về độ biến thiên lấy mẫu của các hệ số, sai số chuẩn, có thể sẽ sai.
Mức độ phương sai thay đổi càng mạnh (nghĩa là phương sai của các sai số thay đổi
trên mẫu càng nhiều), thì công cụ ước lượng OLS càng kém hiệu quả.
7. Cách nào sau đây là cách tiếp cận hợp lý để xử lý một mô hình thể hiện
phương sai thay đổi?
(i) Lấy logarit của từng biến
(ii) Sử dụng sai số chuẩn đã sửa đổi phù hợp
(iii) Sử dụng thủ tục bình phương nhỏ nhất tổng quát
(iv) Thêm giá trị trễ của các biến vào phương trình hồi quy.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: (i), (ii) và (iii) đều là những cách tiếp cận hợp lý để xử lý phương sai thay
đổi. Việc lựa chọn cái nào nên được sử dụng trong thực tế sẽ phụ thuộc vào mô hình
được xây dựng và cũng tùy thuộc vào các biện pháp khắc phục có sẵn cho nhà nghiên
cứu. Lấy logarit của tất cả các biến và chạy mô hình hồi quy bằng cách sử dụng
logarit của các biến thay vì bản thân các biến thô thường hoạt động như một "phương
pháp chữa trị" cho phương sai thay đổi vì phép biến đổi này thường có thể biến mối
quan hệ nhân phi tuyến tính giữa các biến thành một phép cộng tuyến tính một. Tuy
nhiên, không thể lấy nhật ký của một biến nếu biến đó có thể có giá trị âm hoặc bằng
0 đối với một số quan sát (vì nhật ký của số âm hoặc số 0 không được xác định). Một
cách tiếp cận khác sẽ không phải là loại bỏ phương sai thay đổi, mà thay vào đó chỉ
đơn giản là cho phép sự hiện diện của nó. Vì phương sai thay đổi có thể ngụ ý rằng
các sai số chuẩn là sai, nên một biện pháp khắc phục sẽ là sử dụng phép sửa đổi của
White đối với các sai số tiêu chuẩn, điều này sẽ dẫn đến các sai số tiêu chuẩn mạnh
khi có mặt phương sai thay đổi. Cũng có thể sử dụng thủ tục bình phương nhỏ nhất
tổng quát (GLS). Điều này sẽ liên quan đến trọng số hoặc tỷ lệ mỗi quan sát, nhưng
phải sử dụng GLS khả thi, có nghĩa là để áp dụng phương pháp này, phải biết dạng
của phương sai thay đổi. Trong thực tế, điều này hiếm khi xảy ra nên GLS thường
không được sử dụng trong kinh tế lượng tài chính. Cuối cùng, sẽ không hợp lý nếu
thêm các giá trị trễ của các biến giải thích như một phản ứng có thể có đối với việc
tìm ra phương sai thay đổi. Việc thêm các giá trị bị trễ có thể có nghĩa là phương sai
thay đổi sẽ vẫn ở đó và không được tính đến, và việc lấy độ trễ thường là một cách
tiếp cận để tìm ra tự tương quan còn lại hơn là phương sai thay đổi.

8. Tự tương quan phần dư âm được biểu thị bằng yếu tố nào sau đây?
a. Một mô hình theo chu kỳ trong phần dư
b. Một mô hình xen kẽ trong phần dư
c. Một sự ngẫu nhiên hoàn toàn trong phần dư
d. Phần dư gần bằng không

Giải thích: Tự tương quan phần dư âm ngụ ý một mối quan hệ tiêu cực giữa một phần
dư và phần dư ngay trước hoặc ngay sau đó. Điều này ngụ ý rằng, nếu có hiện tượng
tự tương quan âm, phần dư sẽ đổi dấu thường xuyên hơn so với khi không có tự tương
quan. Do đó, tự tương quan âm sẽ dẫn đến một mô hình xen kẽ trong phần dư, khi
chúng tiếp tục đi qua trục thời gian. Một mô hình theo chu kỳ sẽ phát sinh trong phần
dư nếu chúng tự tương quan thuận. Điều này có thể là do các phần dư liền kề sẽ có
cùng dấu thường xuyên hơn so với trường hợp không có tự tương quan, dẫn đến đồ
thị chuỗi thời gian của các phần dư không thường xuyên đi qua trục thời gian. Tính
ngẫu nhiên hoàn toàn trong phần dư sẽ xảy ra nếu không có tự tương quan, trong khi
phần dư gần bằng 0 có thể xảy ra nếu có tự tương quan đáng kể theo một trong hai
hướng hoặc nếu không có tự tương quan đáng kể!
9. Điều nào sau đây có thể được sử dụng để kiểm định tự tương quan cấp ba?
a. The Durbin Watson test
b. White’s test
c. The RESET test
d. The Breusch-Godfrey test

Giải thích: The Durbin Watson test là một kiểm định để phát hiện tự tương quan phần
dư, nhưng nó được thiết kế để xác định tự tương quan bậc một (nghĩa là mối quan hệ
có ý nghĩa thống kê giữa phần dư và phần dư một khoảng thời gian trước). Như vậy,
kiểm định sẽ không phát hiện tự tương quan bậc ba (nghĩa là mối quan hệ có ý nghĩa
thống kê giữa phần dư và phần dư ba giai đoạn trước). Kiểm định Breusch-Godfrey
cũng là một kiểm định cho tự tương quan, nhưng nó sử dụng phương pháp hồi quy
phụ tổng quát hơn, và do đó nó có thể được sử dụng để kiểm định tự tương quan của
bậc cao hơn một. Kiểm định White và kiểm định RESET không phải là kiểm định tự
tương quan, mà là kiểm định tương ứng cho phương sai thay đổi và dạng hàm phù
hợp.

10. Nếu một thống kê Durbin Watson có giá trị gần bằng 0, giá trị của hệ số tự
tương quan bậc nhất sẽ là bao nhiêu?
a. Gần bằng không
b. Gần cộng một
c. Gần trừ một
d. Gần trừ một hoặc cộng một

Giải thích: Hãy nhớ lại rằng công thức liên quan đến giá trị của thống kê Durbin
Watson (DW) và hệ số tự tương quan bậc nhất, p, là:
DW xấp xỉ bằng 2(1-p)
Do đó, nếu DW gần bằng không, thì hệ số tự tương quan bậc nhất, p, phải gần bằng
+1. Giá trị của p gần bằng –1 sẽ gợi ý tự tương quan âm, trong khi giá trị gần bằng
+1 hoặc –1 sẽ gợi ý rằng chúng ta nghĩ rằng có tự tương quan mạnh nhưng chúng ta
không biết liệu nó là dương hay âm! Tình huống như vậy sẽ không xảy ra trong thực
tế vì DW có thể phân biệt giữa hai loại này và tự tương quan dương và âm sẽ dẫn đến
các giá trị thống kê DW hoàn toàn khác nhau.
11. Giả sử rằng phép kiểm định Durbin Watson được áp dụng cho một hồi quy
chứa hai biến giải thích cộng với một hằng số (ví dụ: phương trình 2 ở trên) với
50 điểm dữ liệu. Thống kê kiểm định lấy giá trị là 1,53. Đâu là kết luận phù hợp?
a. Phần dư dường như được tự tương quan âm
b. Phần dư dường như không tự tương quan
c. Kết quả kiểm định là không thuyết phục

Giải thích: Giá trị của thống kê kiểm định được đưa ra ở mức 1,53, vì vậy tất cả
những gì còn lại phải làm là tìm các giá trị tới hạn. Nhớ lại rằng thống kê DW có hai
giá trị tới hạn: giá trị thấp hơn và giá trị cao hơn. Nếu có 2 biến giải thích cộng với
một hằng số trong hồi quy, điều này có nghĩa là sử dụng ký hiệu của tôi, k = 3 và k' =
3-1 = 2. Vì vậy, chúng ta sẽ tìm trong cột k'=2 cho giá trị thấp hơn và các giá trị trên,
sẽ nằm trong hàng tương ứng với n = 50 điểm dữ liệu. Các giá trị quan trọng có liên
quan sẽ là 1,40 và 1,63. Do đó, do thống kê kiểm định nằm giữa các giá trị tới hạn
dưới và trên, nên kết quả nằm trong vùng không thể kết luận. Do đó, chúng tôi không
thể nói từ kết quả của thử nghiệm này liệu có tồn tại tương quan chuỗi thứ tự đầu tiên
hay không.

12. Giả sử rằng một nhà nghiên cứu muốn kiểm tra sự tự tương quan bằng cách
sử dụng phương pháp dựa trên hồi quy phụ. Một trong những hồi quy phụ sau
đây sẽ là thích hợp nhất?

a. (i)
b. (ii)
c. (iii)
d. (iv)
Giải thích: Tự tương quan phần dư liên quan đến mối quan hệ giữa giá trị hiện tại
(thời điểm t) của phần dư và các giá trị trước đó của nó. Do đó, biến phụ thuộc trong
hồi quy phụ phải là phần dư chứ không phải bình phương của nó. Vì vậy (i) và (ii) rõ
ràng là không phù hợp. Điều này cũng gợi ý rằng các giá trị trễ của phần dư phải là
các biến hồi quy trong hồi quy phụ chứ không phải bất kỳ biến giải thích ban đầu nào
(các x).

13. Nếu OLS được sử dụng khi có hiện tượng tự tương quan, điều nào sau đây sẽ
xảy ra?
(i) Ước tính hệ số có thể gây hiểu nhầm
(ii) Kiểm định giả thuyết có thể dẫn đến kết luận sai
(iii) Dự báo từ mô hình có thể bị sai lệch
(iv) Sai số chuẩn có thể không phù hợp
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Hệ quả của tự tương quan tương tự như hệ quả của phương sai thay đổi.
Do đó, các ước tính hệ số sẽ vẫn ổn (nghĩa là chúng sẽ được ước tính một cách nhất
quán và không chệch) với điều kiện là các giả định khác của mô hình hồi quy tuyến
tính cổ điển là hợp lệ. Công cụ ước tính OLS sẽ không hiệu quả khi có hiện tượng tự
tương quan, điều này ngụ ý rằng các sai số chuẩn có thể không tối ưu. Vì các sai số
chuẩn có thể không phù hợp khi có hiện tượng tự tương quan, nên đúng là các kiểm
định giả thuyết có thể đưa ra kết luận sai, vì thống kê kiểm định t có chứa hệ số sai số
chuẩn trong đó. Vì các ước tính tham số vẫn phải chính xác, nên các dự báo thu được
từ mô hình sẽ chỉ sử dụng các hệ số chứ không sử dụng các sai số chuẩn, vì vậy các
dự báo sẽ không thiên vị. Do đó (ii) và (iv) có khả năng là hệ quả và do đó a đúng.

14. Phương pháp nào sau đây hợp lý để xử lý hiện tượng tự tương quan phần
dư?
(i) Lấy logarit của từng biến
(ii) Thêm giá trị trễ của các biến vào phương trình hồi quy
(iii) Sử dụng biến giả để loại bỏ các quan sát ngoại lai
(iv) Hãy thử một mô hình ở dạng khác biệt đầu tiên thay vì ở các cấp độ.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Tự tương quan thường phát sinh do cấu trúc động (tức là chuỗi thời gian)
trong biến phụ thuộc không được mô hình ước tính nắm bắt. Cấu trúc như vậy sẽ kết
thúc trong phần dư, dẫn đến hiện tượng tự tương quan phần dư. Do đó, một câu trả
lời thích hợp sẽ là câu trả lời đảm bảo rằng mô hình cho phép cấu trúc động này.
Việc thêm các giá trị bị trễ của các biến hoặc sử dụng một mô hình trong các khác
biệt đầu tiên sẽ là những cách tiếp cận hợp lý. Tuy nhiên, ước tính một mô hình tĩnh
không có độ trễ ở dạng logarit sẽ không cho phép cấu trúc động theo y và do đó sẽ
không loại bỏ bất kỳ sự tự tương quan phần dư nào đã có mặt. Việc lấy log thường
được đề xuất như một phản ứng đối với phương sai thay đổi hoặc phi tuyến tính, được
thể hiện tương ứng bằng các kiểm định White và Ramsey. Tương tự như vậy, việc loại
bỏ một số lượng nhỏ các giá trị ngoại lệ cũng có thể sẽ không loại bỏ được tự tương
quan. Việc loại bỏ các giá trị ngoại lệ bằng cách sử dụng các biến giả thường được
đề xuất như một phản ứng đối với tính không quy tắc còn lại.

15. Điều nào sau đây có thể dẫn đến phần dư tự tương quan?
(i) Phản ứng chậm của biến phụ thuộc trước sự thay đổi giá trị của các biến độc lập
(ii) Phản ứng thái quá của biến phụ thuộc trước những thay đổi của biến độc lập
(iii) Bỏ sót các biến giải thích liên quan tự tương quan
(iv) Các ngoại lệ trong dữ liệu
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Tự tương quan thường phát sinh do cấu trúc động (tức là chuỗi thời gian)
trong biến phụ thuộc không được mô hình ước tính nắm bắt. Cấu trúc động này có thể
là kết quả của việc điều chỉnh chậm biến phụ thuộc thành những thay đổi trong các
biến độc lập hoặc từ việc điều chỉnh quá mức biến phụ thuộc thành những thay đổi
trong các biến độc lập. Cái trước có thể được gọi là "phản ứng dưới mức" và sẽ dẫn
đến tự tương quan phần dư dương, trong khi cái sau có thể được gọi là "phản ứng
quá mức" sẽ dẫn đến tự tương quan phần dư âm. Cũng có trường hợp bỏ qua một
biến giải thích có liên quan (nói cách khác, một biến là yếu tố quyết định quan trọng
của y) tự tương quan, cũng sẽ dẫn đến tự tương quan dư. Các ngoại lệ trong dữ liệu
không có khả năng gây ra hiện tượng tự tương quan còn lại.

16. Việc bao gồm các giá trị trễ có liên quan của biến phụ thuộc ở vế phải của
phương trình hồi quy có thể dẫn đến điều nào sau đây?
a. Ước tính hệ số sai lệch nhưng nhất quán
b. Ước tính hệ số sai lệch và không nhất quán
c. Ước tính hệ số không chệch nhưng không nhất quán
d. Ước tính hệ số không chệch và nhất quán nhưng không hiệu quả

Giải thích: Việc bao gồm các giá trị trễ của biến phụ thuộc y sẽ khiến cho giả định
của CLRM rằng các biến giải thích không ngẫu nhiên bị vi phạm. Điều này phát sinh
do giá trị trễ của y hiện đang được sử dụng như một biến giải thích và, vì y tại thời
điểm t-1 sẽ phụ thuộc vào giá trị của u tại thời điểm t-1, nên các giá trị trễ của y phải
là ngẫu nhiên (nghĩa là chúng có một số ảnh hưởng ngẫu nhiên và không cố định
trong các mẫu lặp lại). Kết quả của điều này là công cụ ước tính OLS khi có độ trễ
của biến phụ thuộc sẽ tạo ra các ước tính hệ số sai lệch nhưng nhất quán. Do đó, khi
kích thước mẫu tăng dần về phía vô cùng, chúng ta vẫn sẽ thu được các ước tính tham
số tối ưu, mặc dù các ước tính này có thể bị sai lệch trong các mẫu nhỏ. Lưu ý rằng
không có vấn đề thuộc loại này phát sinh bất kể cỡ mẫu khi chỉ sử dụng độ trễ của các
biến giải thích trong phương trình hồi quy.

17. Hiện tượng cận đa cộng tuyến xảy ra khi

a. Hai hay nhiều biến giải thích tương quan hoàn hảo với nhau
b. Các biến giải thích có tương quan cao với sai số
c. Các biến giải thích có tương quan cao với biến phụ thuộc
d. Hai hoặc nhiều biến giải thích có tương quan cao với nhau
Giải thích: Gần đa cộng tuyến được định nghĩa là tình huống có mối tương quan cao
nhưng không hoàn hảo giữa hai hoặc nhiều biến giải thích. Không có câu trả lời dứt
khoát về mức độ tương quan phải lớn như thế nào trước khi nó được định nghĩa là
“cao”. Nếu các biến giải thích có tương quan cao với các số hạng sai số, điều này có
nghĩa là các biến này là ngẫu nhiên (và tính tối ưu của OLS yêu cầu chúng không
phải như vậy). Nếu các biến giải thích có tương quan cao với biến phụ thuộc thì hiện
tượng này không xảy ra hiện tượng đa cộng tuyến, tức là chỉ xét mối quan hệ giữa các
biến giải thích.
18. Điều nào sau đây KHÔNG phải là giải pháp hợp lý cho hiện tượng cận đa
cộng tuyến?
a. Sử dụng phân tích thành phần chính
b. Loại bỏ một trong các biến cộng tuyến
c. Sử dụng lượng dữ liệu dài hơn
d. Lấy logarit của từng biến

Giải thích: Phân tích thành phần chính (PCA) là một phản ứng hợp lý đối với phát
hiện gần đa cộng tuyến. Kỹ thuật này hoạt động bằng cách chuyển đổi các biến giải
thích ban đầu thành một tập hợp các biến giải thích mới được xây dựng trực giao với
nhau. Hồi quy sau đó là một trong y trên một hằng số và các biến giải thích mới. Một
cách tiếp cận khả thi khác là loại bỏ một trong các biến cộng tuyến, điều này sẽ giải
quyết rõ ràng vấn đề đa cộng tuyến, mặc dù có thể có những phản đối khác đối với
việc làm này. Một cách tiếp cận khác sẽ liên quan đến việc sử dụng một lượng dữ liệu
dài hơn. Cách tiếp cận như vậy sẽ liên quan đến việc tăng kích thước của mẫu, điều
này có nghĩa là có nhiều thông tin hơn để làm cơ sở cho các ước tính tham số và do
đó giảm sai số chuẩn của hệ số, do đó chống lại ảnh hưởng của đa cộng tuyến. Cuối
cùng, lấy logarit của các biến sẽ không loại bỏ bất kỳ hiện tượng đa cộng tuyến nào.

19. Tính chất của công cụ ước lượng OLS khi có đa cộng tuyến là gì?
a. Nó sẽ nhất quán, không chệch và hiệu quả
b. Nó sẽ nhất quán và không chệch nhưng không hiệu quả
c. Nó sẽ nhất quán nhưng không chệch
d. Nó sẽ không nhất quán

Giải thích: Trên thực tế, khi có hiện tượng cận đa cộng tuyến, công cụ ước lượng OLS
sẽ vẫn nhất quán, không chệch và hiệu quả. Đây là trường hợp vì không có giả định
nào trong số bốn giả định (Gauss-Markov) của CLRM bị vi phạm. Bạn có thể đã nghĩ
rằng, vì sai số chuẩn thường rộng khi có đa cộng tuyến, nên công cụ ước lượng OLS
hẳn là không hiệu quả. Nhưng điều này không đúng – đa cộng tuyến đơn giản có
nghĩa là khó có được sai số chuẩn nhỏ do không đủ thông tin riêng biệt giữa các biến
cộng tuyến, chứ không phải sai số chuẩn là sai.
20. Điều nào sau đây KHÔNG phải là ví dụ về việc xác định sai dạng hàm?
a. Sử dụng đặc điểm tuyến tính khi y chia tỷ lệ dưới dạng hàm bình phương của x
b. Sử dụng đặc điểm tuyến tính khi mô hình logarit kép sẽ phù hợp hơn
c. Lập mô hình y như một hàm của x trong khi trên thực tế, nó chia tỷ lệ thành một
hàm của 1/x
d. Loại trừ một biến có liên quan khỏi mô hình hồi quy tuyến tính

Giải thích: Một “đặc điểm sai của dạng chức năng” sẽ xảy ra khi nhà nghiên cứu giả
định một mô hình tuyến tính cho mối quan hệ giữa các biến giải thích và các biến
được giải thích nhưng một mối quan hệ phi tuyến tính sẽ phù hợp hơn. Rõ ràng, sau
đó, a, b và c đều là các ví dụ về việc xác định sai dạng hàm do một mô hình tuyến tính
đã được đề xuất nhưng trong cả ba trường hợp này, mối quan hệ thực sự giữa y và x
được biểu diễn tốt hơn bằng cách sử dụng một hàm phi tuyến tính cụ thể của x. Tuy
nhiên, nếu một biến có liên quan không phải là hàm của các biến được bao gồm
(nghĩa là một biến hoàn toàn riêng biệt z) bị loại trừ, thì điều này sẽ không gây ra sự
bác bỏ giả thuyết không đối với thử nghiệm RESET Ramsey.

21. Nếu phần dư từ hồi quy được ước tính bằng cách sử dụng một mẫu dữ liệu
nhỏ không có phân phối chuẩn, hậu quả nào sau đây có thể phát sinh?
a. Các ước tính hệ số sẽ không chệch nhưng không nhất quán
b. Các ước tính hệ số sẽ bị chệch nhưng nhất quán
c. Các ước tính hệ số sẽ bị chệch và không nhất quán
d. Số liệu thống kê thử nghiệm liên quan đến các tham số sẽ không tuân theo phân
phối giả định của chúng.

Giải thích: Chỉ các giả định có nhãn 1-4 trong tài liệu bài giảng được yêu cầu để thể
hiện tính nhất quán, không chệch và hiệu quả của công cụ ước lượng OLS, chứ không
phải giả định rằng các nhiễu phân phối chuẩn. Giả định thứ hai chỉ cần thiết để kiểm
tra giả thuyết chứ không phải để xác định một cách tối ưu các ước lượng tham số. Do
đó, vấn đề duy nhất có thể phát sinh nếu phần dư từ hồi quy mẫu nhỏ không có phân
phối chuẩn là thống kê kiểm tra có thể không tuân theo phân phối yêu cầu. Bạn có thể
nhớ lại rằng giả định về tính chuẩn tắc trên thực tế được yêu cầu để chỉ ra rằng, khi
phương sai của các nhiễu chưa biết và phải được ước tính, thống kê t tuân theo phân
phối t.
22. Phân phối leptokurtic là phân phối mà
a. Có đuôi béo hơn và trung bình nhỏ hơn phân phối bình thường với cùng trung bình
và phương sai
b. Có đuôi béo hơn và có giá trị trung bình cao nhất so với phân phối bình thường với
cùng giá trị trung bình và phương sai
c. Có đuôi mỏng hơn và có giá trị trung bình cao nhất so với phân phối bình thường
với cùng giá trị trung bình và phương sai
d. Có đuôi mỏng hơn phân phối bình thường và bị lệch

Giải thích: Theo định nghĩa, phân phối leptokurtic là phân phối có đuôi béo hơn phân
phối bình thường và cao nhất ở mức trung bình. Nói cách khác, một phân phối
leptokurtic sẽ có nhiều “khối lượng xác suất” ở các đuôi, gần trung tâm hơn và ít hơn
ở các đuôi. Skewness không phải là một đặc điểm bắt buộc của phân phối leptokurtic.

23. Theo giả thuyết không của kiểm định Bera-Jarque, phân phối có
a. Độ lệch bằng không (zero skewness) và độ nhọn bằng không (zero kurtosis)
b. Độ lệch bằng không và độ nhọn của ba
c. Độ lệch của một (Skewness of one) và không nhọn
d. Độ lệch của một và độ nhọn của ba

Giải thích: Một phân phối chuẩn không có độ lệch (tức là hệ số lệch sẽ bằng 0), vì nó
đối xứng về giá trị trung bình của nó và nó sẽ có “mức độ nhọn vừa phải”. Một phân
phối chuẩn được định nghĩa là có hệ số bằng 3. Do đó, một chuẩn sẽ có độ nhọn vượt
quá bằng 0 (độ nhọn vượt quá được định nghĩa là độ nhọn – 3).

24. Điều nào sau đây sẽ là phản ứng hợp lý đối với việc phát hiện tính không
chuẩn tắc còn lại?
a. Sử dụng dạng hàm logarit thay vì dạng tuyến tính
b. Thêm độ trễ của các biến ở phía bên tay phải của mô hình hồi quy
c. Ước lượng mô hình ở dạng vi phân bậc nhất
d. Loại bỏ bất kỳ ngoại lệ lớn nào khỏi dữ liệu

Giải thích: Rất thường xảy ra trường hợp một hoặc hai quan sát không phù hợp với
mô hình của tất cả những quan sát khác gây ra tính phi chuẩn tắc còn lại. Những
quan sát như vậy, thường được gọi là "ngoại lệ" sẽ ở rất xa so với đường thẳng và do
đó sẽ có phần dư lớn (dương hoặc âm). Khi các số dư này được sử dụng làm đầu vào
cho phép tính độ lệch và độ nhọn, chúng sẽ được nâng lên lũy thừa bậc ba và bậc bốn
tương ứng trong các tử số của hai công thức. Kết quả là các phần đuôi của phân phối
có thể được tạo ra lớn hơn nhiều so với nếu không có sự hiện diện của một số lượng
nhỏ các ngoại lệ lớn. Do đó, một phản ứng thích hợp có thể là loại bỏ hoàn toàn các
ngoại lệ này khỏi mẫu, bằng cách xóa chúng khỏi tập dữ liệu một cách vật lý hoặc
bằng cách sử dụng phương pháp tiếp cận biến giả để loại bỏ chúng cùng một lúc. Tất
nhiên, nhiều nhà kinh tế lượng sẽ đặt câu hỏi về cách tiếp cận này và sẽ lập luận rằng
tốt hơn là để phần dư ở dạng không bình thường hơn là loại bỏ thông tin khỏi mẫu.

25. Một nhà nghiên cứu kiểm tra tính ổn định của cấu trúc trong mô hình hồi
quy sau:

Tổng số mẫu gồm 200 quan sát được chia đôi chính xác cho các hồi quy mẫu phụ.
Tổng bình phương còn lại không giới hạn là cái nào?
a. RSS cho toàn bộ mẫu
b. RSS cho mẫu phụ đầu tiên
c. RSS cho mẫu phụ thứ hai
d. Tổng RSS cho mẫu phụ thứ nhất và thứ hai

Giải thích: Hồi quy không giới hạn luôn là hồi quy không bị hạn chế. Hạn chế có liên
quan đang được thử nghiệm trong trường hợp này là các giá trị tham số giống nhau
trong cả hai mẫu phụ. Do đó, hồi quy không giới hạn sẽ là một trong đó các ước
lượng tham số được phép tự do xác định trong từng mẫu con sao cho nhìn chung hai
bộ tham số cho các mẫu con sẽ khác nhau. Do đó, RSS không hạn chế sẽ là một trong
đó các hệ số được phép thay đổi giữa các mẫu phụ, đây sẽ là nơi hai hồi quy được
ước tính riêng biệt và RSS tổng hợp. RSS bị hạn chế sẽ là RSS do hồi quy áp đặt hạn
chế, đó sẽ là nơi các hệ số buộc phải bằng nhau đối với hai mẫu phụ, tức là khi chỉ có
một hồi quy được thực hiện trên toàn bộ mẫu cùng nhau.
26. Giả sử rằng tổng bình phương còn lại của ba hồi quy tương ứng với kiểm
định Chow được mô tả trong câu hỏi 25 [ ] là 156,4,
76,2 và 61,9. Giá trị của thống kê Chow F-test là gì?
a. 4.3
b. 7.6
c. 5.3
d. 8.6

Giải thích: Nhớ lại rằng công thức để tính một bài kiểm tra Chow là
(RSS – (RSS1 + RSS2) / (RSS1 + RSS2)) x (T-2k) / k
Cắm các số có liên quan vào công thức sẽ cho
(156,4 – (76,2 + 61,9) / (76,2+61,9)) x (200 – 6) / 3
= 8,57.
Vậy d chính xác đến một chữ số thập phân. Trong trường hợp này, bài kiểm tra là một
trong những mức tăng lớn của RSS khi dữ liệu buộc phải được tạo bởi một phương
trình hồi quy duy nhất. T là số lượng quan sát trong toàn bộ mẫu, trong khi k thường
biểu thị số lượng biến hồi quy trong hồi quy không giới hạn bao gồm một hằng số
(hoặc số tham số được ước tính trong hồi quy không giới hạn) trong công thức kiểm
định F tiêu chuẩn. Do hồi quy không giới hạn hiện có hai phần nên tổng số tham số
được ước tính trong hồi quy không giới hạn là 2k. Số lượng hạn chế sẽ là k, vì hạn
chế là mỗi giá trị tham số đều bằng nhau trên hai mẫu con.

27. Giá trị tới hạn 5% thích hợp cho thử nghiệm được mô tả trong câu hỏi 25 và
26 là bao nhiêu?

a. 2.6
b. 8.5
c. 1.3
d. 9.2
Giải thích: Bậc tự do của phép thử F tiêu chuẩn được cho bởi (m, T-k). Trong trường
hợp này, tổng số tham số được ước tính trong hồi quy không hạn chế là 2k và số
lượng hạn chế là k, do đó giá trị tới hạn phù hợp sẽ là một từ phân phối F(k, T-2k). T
= 200, k = 3, vì vậy đây sẽ là F(3,194). Giá trị gần nhất với giá trị này trong bảng sẽ
là F(3.200) với giá trị tới hạn 2,6.

28. Bây giờ giả sử rằng một nhà nghiên cứu muốn chạy thử nghiệm thất bại dự
đoán trước trên 5 lần quan sát cuối cùng bằng cách sử dụng cùng một mô hình
và dữ liệu như trong câu hỏi 25 [ ]. Bây giờ cái nào sẽ
là tổng bình phương còn lại không giới hạn?
a. RSS cho toàn bộ hồi quy mẫu
b. RSS cho hồi quy mẫu phụ dài
c. RSS cho hồi quy mẫu phụ ngắn
d. Tổng RSS cho hồi quy mẫu phụ dài và ngắn

Giải thích: Hồi quy không giới hạn, như mọi khi, sẽ là một trong đó các hạn chế chưa
được áp đặt. Trong bối cảnh thử nghiệm thất bại dự đoán, hạn chế là các dự đoán mô
hình cho một số quan sát cuối cùng bằng không. Điều này tương đương với việc buộc
các số dư trong 5 lần quan sát gần nhất đều bằng 0. Điều này có thể đạt được bằng
cách sử dụng các biến giả riêng biệt cho từng quan sát này để loại bỏ chúng hoặc dễ
dàng hơn bằng cách loại bỏ chúng khỏi mẫu. Do đó, RSS không hạn chế sẽ là RSS từ
“mẫu phụ dài”, tức là 195 quan sát đầu tiên. Lưu ý rằng trong thử nghiệm thất bại dự
đoán, chúng tôi không có hồi quy mẫu phụ ngắn. Nói cách khác, trái ngược với kiểm
định Chow yêu cầu ước tính 3 hồi quy, kiểm định thất bại dự đoán chỉ yêu cầu ước
tính 2 hồi quy.

29. Nếu hai RSS cho bài kiểm tra được mô tả trong câu hỏi 28 là 156,4 và 128,5,
giá trị của thống kê bài kiểm tra là gì?
a. 13.8
b. 14.3
c. 8.3
d. 8.6

Giải thích: Nhớ lại rằng công thức để tính toán một bài kiểm tra thất bại dự đoán là
((RSS – RSS1) / RSS1) x (T1-k) / T2
Cắm các số có liên quan vào công thức sẽ cho
((156,4 – 128,5) / 128,5) x (195 – 3)/5
= 8,34, tức là 8,3 đến một chữ số thập phân.
T1 là số lượng quan sát được sử dụng trong hồi quy không giới hạn, sẽ là mẫu cho
mẫu phụ dài, tức là 195 quan sát, k là số lượng biến hồi quy trong hồi quy không giới
hạn bao gồm một hằng số và số lượng giới hạn là số của các quan sát trong mẫu con
ngắn được dự đoán, 5.

30. Nếu một biến liên quan bị bỏ qua trong phương trình hồi quy, hậu quả sẽ là:
(i) Các sai số chuẩn bị chệch
(ii) Nếu biến bị loại trừ không tương quan với tất cả các biến được bao gồm, thì tất cả
các hệ số góc sẽ không nhất quán.
(iii) Nếu biến bị loại không tương quan với tất cả các biến được đưa vào thì hệ số chặn
sẽ không nhất quán.
(iv) Nếu biến bị loại trừ không tương quan với tất cả các biến được bao gồm, thì tất cả
hệ số góc và hệ số chặn sẽ nhất quán và không chệch nhưng không hiệu quả.
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: Nếu một biến có liên quan bị bỏ qua trong phương trình hồi quy, thì các
điều kiện tiêu chuẩn cho sự tối ưu của OLS sẽ không được áp dụng. Những điều kiện
này mặc nhiên giả định rằng mô hình đã được xác định chính xác theo nghĩa là nó
bao gồm tất cả các biến có liên quan. Nếu các biến liên quan (nghĩa là các biến thực
tế là yếu tố quyết định quan trọng của y) bị loại khỏi mô hình, sai số chuẩn có thể bị
sai lệch (do đó (i) là đúng) và, hệ số góc sẽ được ước tính không nhất quán trừ khi
loại trừ biến là (đang) không tương quan với tất cả (các) biến giải thích được bao
gồm - do đó (ii) là sai. Nếu điều kiện này được giữ nguyên, ước lượng độ dốc sẽ nhất
quán, không chệch và hiệu quả (vì vậy (iv) sai), nhưng ước lượng chặn sẽ vẫn không
nhất quán (vì vậy (iii) đúng.

31. Một mô hình cần kiệm (parsimonious) là một mô hình mà

a. Bao gồm quá nhiều biến
b, Bao gồm càng ít biến càng tốt để giải thích dữ liệu
c. Là một mô hình được chỉ định tốt
d. Là một mô hình được chỉ định sai

Giải thích: Theo định nghĩa, một mô hình tiết kiệm là một mô hình sử dụng càng ít
biến càng tốt để giải thích các tính năng quan trọng của dữ liệu. Một mô hình tiết
kiệm có thể được chỉ định rõ hoặc được chỉ định sai, trong khi một mô hình bao gồm
quá nhiều biến cũng có thể được gọi là mô hình hoang phí hoặc mô hình được tham
số hóa quá mức.

32. Một mô hình vượt tham số (overparameterised) là một mô hình mà

a. Bao gồm quá nhiều biến
b. Bao gồm càng ít biến càng tốt để giải thích dữ liệu
c. Là một mô hình được chỉ định tốt
d. Là một mô hình được chỉ định sai

Giải thích: Mô hình “được tham số hóa quá mức” (overparameterised) hoặc hoang
phí (profligate model) là mô hình bao gồm quá nhiều biến số. Một mô hình như vậy sẽ
bao gồm một số biến không có ý nghĩa thống kê không giúp giải thích các biến thể
của y. Các mô hình như vậy là không mong muốn vì chúng sử dụng hết các bậc tự do
có giá trị và do đó làm giảm ý nghĩa thống kê của các biến trong hồi quy. Chúng cũng
có thể có xu hướng phù hợp với các tính năng mẫu cụ thể của dữ liệu. Điều này có
nghĩa là sức mạnh dự báo của họ sẽ bị hạn chế.

33. Điều nào sau đây là nhược điểm của cách tiếp cận từ chung đến cụ thể hoặc
“LSE” (“Hendry”) để xây dựng các mô hình kinh tế lượng, so với cách tiếp cận
từ cụ thể đến chung?
a. Một số biến có thể bị loại ở giai đoạn đầu tiên dẫn đến sai lệch hệ số
b. Mô hình cuối cùng có thể thiếu giải thích lý thuyết
c. Mô hình cuối cùng có thể không đầy đủ về mặt thống kê
d. Nếu mô hình ban đầu được chỉ định sai, tất cả các bước tiếp theo sẽ không hợp lệ
Giải thích: Phương pháp chung đến cụ thể của “LSE” hoặc “Hendry” liên quan đến
việc ước tính một mô hình lớn và tổng quát ở giai đoạn đầu tiên với sự đơn giản hóa
tiếp theo sau khi đã tìm thấy một mô hình đầy đủ về mặt thống kê. Do đó, do mô hình
giai đoạn đầu bao gồm tất cả các biến liên quan có thể có, nên không có khả năng
xảy ra sai lệch hệ số do một biến bị bỏ sót (do đó a không chính xác). Cách tiếp cận
chung đến cụ thể cũng liên quan đến việc tiến hành các thử nghiệm chẩn đoán về mức
độ phù hợp của mô hình ở mọi giai đoạn. Vì vậy, miễn là có thể tìm thấy một mô hình
ban đầu được chỉ định rõ ràng, không có lý do gì để chấp nhận bất kỳ mô hình giai
đoạn sau nào không đầy đủ về mặt thống kê vì bất kỳ mô hình không đầy đủ về mặt
thống kê nào cũng sẽ khiến nhà nghiên cứu quay lại mô hình của giai đoạn trước (nên
c sai). Đúng là nếu một mô hình ban đầu bị chỉ định sai, thì tất cả các bước lập mô
hình tiếp theo sẽ không hợp lệ vì giả thuyết kiểm định dựa trên cơ sở sắp xếp lại hoặc
đơn giản hóa mô hình có thể sẽ không hợp lệ. Tuy nhiên, đây là một lợi thế của cách
tiếp cận chung đến cụ thể mà nó tránh được những vấn đề như vậy. Như vậy d là
không chính xác. Cuối cùng, đúng là nếu một nhà nghiên cứu đi theo cách tiếp cận
tổng thể đến cụ thể, có thể mô hình cuối cùng sẽ thiếu ý nghĩa lý thuyết mặc dù nó sẽ
ổn về mặt thống kê.

34. Hậu quả nào sau đây có thể xảy ra nếu một biến giải thích trong hồi quy bị đo
lường sai?
(i) Tham số tương ứng sẽ được ước tính không thống nhất
(ii) Ước tính tham số tương ứng sẽ bị sai lệch về 0
(iii) Giả định rằng các biến giải thích là phi ngẫu nhiên sẽ bị vi phạm
(iv) Không phát sinh hậu quả nghiêm trọng
a. (i) only
b. (i) and (ii) only
c. (i), (ii), and (iii) only
d. (iv) only

Giải thích: Khi có sai số đo lường trong một biến giải thích, tất cả các trường hợp từ
(i) đến (iii) đều có thể xảy ra. Vì vậy, ước lượng tham số có thể không nhất quán (do
đó ước lượng tham số sẽ không hội tụ theo giá trị thực của chúng ngay cả khi kích
thước mẫu có xu hướng vô cùng), các tham số luôn sai lệch về 0 và rõ ràng lỗi đo
lường hàm ý nhiễu trong các biến giải thích và do đó chúng sẽ bị sai lệch. ngẫu nhiên.
35. Hậu quả nào sau đây có thể áp dụng nếu biến được giải thích trong hồi quy bị
đo lường sai?
(i) Tham số tương ứng sẽ được ước tính không thống nhất
(ii) Ước tính tham số tương ứng sẽ bị sai lệch về 0
(iii) Giả định rằng các biến giải thích là phi ngẫu nhiên sẽ bị vi phạm
(iv) Không phát sinh hậu quả nghiêm trọng
a. (i) only
b. (i) and (ii) only
c. (i), (ii), and (iii) only
d. (iv) only

Giải thích: Trong trường hợp biến được giải thích có lỗi đo lường, sẽ không có hậu
quả nghiêm trọng nào – khung hồi quy tiêu chuẩn được thiết kế để cho phép điều này
vì thuật ngữ lỗi cũng ảnh hưởng đến giá trị của biến được giải thích. Điều này hoàn
toàn trái ngược với tình huống có sai số đo lường trong các biến giải thích, đây là
một vấn đề nghiêm trọng tiềm ẩn vì chúng được giả định là không ngẫu nhiên.
 CHƯƠNG 6
1/ Điều nào sau đây là đặc điểm điển hình của chuỗi thời gian thu hồi tài sản tài
chính?

Trả lời: Họ không có xu hướng

Hầu hết các phân phối lợi nhuận tài sản là leptokurtic - nghĩa là chúng "có đuôi béo"
(fat-tailed) hoặc có nhiều phân phối ở đuôi hơn so với phân phối bình thường có cùng
giá trị trung bình và phương sai. Họ cũng thường đạt đỉnh cao hơn ở mức trung bình.
Mặc dù chuỗi giá (hoặc chuỗi log-giá) thường được mô tả tốt nhất dưới dạng quy trình
gốc đơn vị, nhưng lợi nhuận chắc chắn không có xu hướng – bất kể là xác định hay
ngẫu nhiên. Do đó d đúng. Lợi nhuận tài sản thường cho thấy mức tự tương quan rất
thấp. Điều này được mong đợi vì nếu lợi nhuận phụ thuộc nhiều vào các giá trị trước
đó của chúng, thì sẽ dễ dàng tạo ra một quy tắc giao dịch khai thác tính năng này, như
vậy tự tương quan sẽ nhanh chóng biến mất.

*Khái niệm rủi ro đuôi đưa ra giả thuyết rằng phân phối lợi nhuận không theo
phân phối chuẩn: bị lệch và có "đuôi mập" (fat-tailed). Các fat-tailed chỉ ra rằng
có một xác suất nhỏ rằng một khoản đầu tư sẽ vượt ra ngoài ba lần độ lệch chuẩn.

2/ Điều nào sau đây là NHƯỢC ĐIỂM khi sử dụng mô hình chuỗi thời gian
thuần túy (so với mô hình cấu trúc)?

Trả lời: Họ không có động cơ về mặt lý thuyết

Tuy nhiên, các mô hình chuỗi thời gian thuần túy không có động lực lý thuyết mạnh
mẽ. Tại sao giá trị hiện tại của một cổ phiếu trả lại, lại liên quan đến các giá trị trước
đó của nó và với các giá trị trước đó của một số quy trình lỗi ngẫu nhiên? Sẽ dễ dàng
hơn nhiều để giải thích lý do tại sao lợi tức cổ phiếu nên liên quan đến các giá trị hiện
tại và trước đây của một số biến số kinh tế vĩ mô ảnh hưởng đến khả năng sinh lời và
do đó ảnh hưởng đến việc định giá các công ty. Các mô hình chuỗi thời gian có thể
đưa ra dự báo một cách dễ dàng và đây là một trong những lợi thế chính của chúng.
Điều này sẽ được đề cập trong một chủ đề sau, nhưng việc tạo dự báo từ các mô hình
chuỗi thời gian chỉ đơn giản là vấn đề lặp lại với toán tử kỳ vọng có điều kiện. Mặt
khác, việc tạo ra các dự báo từ các mô hình cấu trúc sẽ yêu cầu dự báo tất cả các biến
số cấu trúc trong phương trình. Theo định nghĩa, các mô hình chuỗi thời gian không
sử dụng bất kỳ biến giải thích nào nên vấn đề lựa chọn biến không phát sinh. Cuối
cùng, các mô hình chuỗi thời gian có thể được áp dụng bất kể tần suất của dữ liệu, vì
phương pháp sẽ giống nhau. Vậy đáp án đúng là a.

3/ Điều kiện nào sau đây là cần thiết để một chuỗi được coi là quá trình dừng
yếu?

(i) Nó phải có một giá trị trung bình không đổi

(ii) Nó phải có phương sai không đổi

(iii) Nó phải có các hiệp phương sai không đổi đối với các độ trễ nhất định

(iv) Nó phải có phân phối xác suất không đổi

Trả lời: (i), (ii), và (iii)

(i) đến (iii) đều cần thiết để một quy trình được phân loại là quy trình dừng yếu (hoặc
dừng hiệp phương sai – hai thuật ngữ là tương đương). Điều kiện cuối cùng để có
phân phối xác suất không đổi là điều kiện mạnh hơn ba điều kiện đầu tiên, vì nó áp
dụng cho toàn bộ phân phối trong khi ba điều kiện đầu tiên chỉ áp dụng cho hai thời
điểm đầu tiên của phân phối (giá trị trung bình và phương sai). Do đó, điều kiện cuối
cùng này bao gồm ba điều kiện đầu tiên và chỉ cần thiết để một quy trình có thể được
phân loại là một quy trình dừng nghiêm ngặt.

4/ Một quy trình tiếng ồn trắng sẽ có

(i) Giá trị trung bình bằng 0

(ii) Hiệp phương sai không đổi

(iii) Tự hiệp phương sai (Autocovariances) không đổi

(iv) Các hiệp phương sai bằng 0 ngoại trừ ở độ trễ bằng 0

Trả lời: (i), (ii), và (iii)

Câu trả lời 3 là đúng. (i) đến (iii) đều cần thiết để một quy trình được phân loại là quy
trình dừng yếu (hoặc dừng hiệp phương sai – hai thuật ngữ là tương đương). Điều kiện
cuối cùng để có phân phối xác suất không đổi là điều kiện mạnh hơn ba điều kiện đầu
tiên, vì nó áp dụng cho toàn bộ phân phối trong khi ba điều kiện đầu tiên chỉ áp dụng
cho hai thời điểm đầu tiên của phân phối (giá trị trung bình và phương sai). Do đó,
điều kiện cuối cùng này bao gồm ba điều kiện đầu tiên và chỉ cần thiết để một quy
trình có thể được phân loại là một quy trình dừng nghiêm ngặt.

5/ Xem xét các ước tính tự tương quan mẫu sau đây thu được bằng cách sử dụng
250 điểm dữ liệu:

Độ trễ                  1          2          3

Hệ số      0,2       -0,15    -0,1

Giả sử các hệ số có phân phối xấp xỉ chuẩn, hệ số nào có ý nghĩa thống kê ở mức
5%?

Trả lời: chỉ 1 và 2

Hãy nhớ lại rằng một hệ số tự tương quan được gọi là có ý nghĩa thống kê nếu nó nằm
ngoài + hoặc- 1,96/sqrt(T), trong đó T là số quan sát, trong trường hợp này là 250. Do
đó, một hệ số sẽ được định nghĩa là có ý nghĩa nếu nó nhỏ hơn -0,12 hoặc lớn hơn
0,12. Do đó, các hệ số tự tương quan cho độ trễ 1 và 2 đều có ý nghĩa thống kê. Trên
thực tế, chúng ta không cần biết các sai số chuẩn xung quanh các hệ số vì chúng là các
mối tương quan và theo giả thuyết không, chúng xấp xỉ tuân theo phân phối chuẩn với
giá trị trung bình bằng 0 và phương sai đơn vị.

6/ Xem xét lại các hệ số tự tương quan được mô tả trong câu hỏi 5. Giá trị của
thống kê Q Box-Pierce là:

Đáp án: 18,12

Lưu ý rằng câu hỏi yêu cầu thống kê Q-Box-Pierce, không phải phiên bản Ljung-Box
Q* đã sửa đổi. Do đó, công thức đúng là Q = 250 × (0,2^2 + -0,15^2 + 0,1^2) = 18,12.
7/ Phát biểu nào sau đây là KHÔNG ĐÚNG liên quan đến việc so sánh thống kê
Box-Pierce Q và Ljung-Box Q* về sự phụ thuộc tuyến tính trong chuỗi thời gian?

Trả lời: Phép thử Q có đặc tính mẫu nhỏ tốt hơn phép thử Q*.

Đúng là về mặt tiệm cận, hai thống kê kiểm tra sẽ có giá trị bằng nhau. Có thể thấy
điều này vì trong công thức Ljung-Box, số hạng (n+2) sẽ tương đương với số hạng
(nk) vì cỡ mẫu có xu hướng tiến tới vô cùng. Cũng đúng là thống kê Q của Box-Pierce
ban đầu đôi khi có kích thước quá lớn đối với các mẫu nhỏ, đây là nguyên nhân thúc
đẩy việc xây dựng một phiên bản sửa đổi (thống kê Q*). Do đó, Box-Pierce Q sẽ có
xu hướng bác bỏ giả thuyết khống về việc không có tự tương quan thường xuyên hơn
so với mức cần thiết với mức ý nghĩa danh nghĩa được giả định. Do đó, nếu mức ý
nghĩa 5% được sử dụng, thì null đôi khi bị từ chối hơn 5% thời gian một cách tình cờ
khi thực tế không có tự tương quan. Rõ ràng, sau đó câu trả lời b là một trong những
sai lầm. Cũng đúng là, khi kích thước mẫu có xu hướng vô cùng, kích thước của các
hệ số tự tương quan cần thiết để dẫn đến việc bác bỏ giả thuyết không sẽ giảm xuống.
Nói cách khác, khi kích thước mẫu trở nên rất lớn, ngay cả hệ số tự tương quan (trên
thang đo -1 trên 1) là 0,01 cũng có thể dẫn đến việc từ chối. Điều này phát sinh do
việc tính toán thống kê kiểm tra liên quan đến việc nhân với cỡ mẫu.

8/ Xét quá trình MA(3) sau:

y t = μ + ε t + θ 1 ε t -1 + θ 2 ε t -2 + θ 3 ε t -3 , trong đó ε t là quá trình nhiễu trắng trung

bình bằng 0 với phương sai s 2 .

Khẳng định nào sau đây là đúng

(i) Quá trình yt có nghĩa bằng 0

(ii) Hàm tự tương quan sẽ có giá trị bằng 0 tại lag 5

(iii) Quá trình yt có phương sai s2

(iv) Hàm tự tương quan sẽ có giá trị là 1 tại lag 0

Trả lời: (ii) và (iv)

Mặc dù epsilon_t có giá trị trung bình bằng 0, y_t sẽ có giá trị trung bình bằng hệ số
chặn trong phương trình MA, mu. Ngoài ra, mặc dù số hạng xáo trộn có phương sai
của bình phương sigma, nhưng chuỗi y sẽ có phương sai cũng là một hàm của các hệ
số MA (thetas). Trên thực tế, phương sai sẽ là (1+theta1^2 + theta2^2 + theta3^2) x
sigma^2. Nhớ lại rằng một quá trình MA(q) chỉ có bộ nhớ có độ dài q. Điều này có
nghĩa là tất cả các hệ số tự tương quan sẽ có giá trị bằng 0 sau độ trễ q. Điều này
có thể được nhìn thấy bằng cách kiểm tra phương trình MA và thấy rằng chỉ có q số
hạng nhiễu loạn trong quá khứ mới được đưa vào phương trình, vì vậy nếu chúng ta
lặp lại phương trình này theo thời gian hơn q khoảng thời gian, thì giá trị hiện tại của
số hạng nhiễu loạn sẽ không còn nữa. ảnh hưởng đến y. Cuối cùng, vì hàm tự tương
quan ở độ trễ 0 là tương quan của y tại thời điểm t với y tại thời điểm t (tức là tương
quan của y_t với chính nó), theo định nghĩa, nó phải là một.

9/ Xét một chuỗi tuân theo MA(1) với giá trị trung bình bằng 0 và hệ số trung
bình động là 0,4. Giá trị của autocovariance ở lag 1 là bao nhiêu?

Trả lời: Không thể xác định giá trị của các hiệp phương sai nếu không biết
phương sai xáo trộn.

Autocovariance ở độ trễ 1 của chuỗi sẽ phụ thuộc vào phương sai của các nhiễu do đó
không thể tính toán nó nếu không có thông tin này.

10/ Để một quá trình tự hồi quy được coi là dừng

Trả lời: Các nghiệm của phương trình đặc trưng đều nằm ngoài đường tròn đơn
vị

Một quá trình tự hồi quy cố định sẽ có tất cả các nghiệm của phương trình đặc trưng
của nó nằm bên ngoài đường tròn đơn vị – điều này tương đương với việc nói rằng tất
cả các nghiệm phải lớn hơn 1 về giá trị tuyệt đối. Thuật ngữ “đường tròn đơn vị” đủ
linh hoạt để định nghĩa tương tự vẫn có thể được áp dụng nếu nghiệm của phương
trình đặc trưng không có thực (nghĩa là chúng phức tạp). Để đưa ra một minh họa đơn
giản, hãy xem xét mô hình AR(1) bùng nổ sau: y _ t = 2 y _( t -1) + u _ t .
Phương trình đặc trưng sẽ là 1 - 2 z = 0. Do đó nghiệm của phương trình đặc trưng sẽ
là 0,5, không nằm ngoài đường tròn đơn vị và do đó quá trình y là không dừng.

11/ Xét quá trình AR(2) sau: y t = 1,5 y t -1 - 0,5 y t -2 + u t. Đây là một:

Trả lời: Quá trình root đơn vị

Phương trình đặc trưng cho AR(2) này là 1 - 1,5z + 0,5z^2 = 0, phân tích thành (1 - z)
(1 - 0,5z) = 0. Do đó, các nghiệm là z = 1 và z = 2 . Cái đầu tiên trong số này rõ ràng
là nghiệm đơn vị (nó nằm trên đường tròn đơn vị), trong khi cái còn lại là nghiệm
đứng yên (nằm ngoài đường tròn đơn vị). Trong bối cảnh của một quá trình ngẫu
nhiên, gốc nhỏ nhất chiếm ưu thế. Nghĩa là, nếu một trong các nghiệm là nghiệm đơn
vị và nghiệm kia đứng yên, chuỗi sẽ hoạt động như một quá trình nghiệm đơn vị.
Ngoài ra, nếu một trong các nghiệm là nghiệm nổ và một nghiệm là nghiệm đơn vị,
chuỗi sẽ hoạt động như một quá trình nổ. Do đó, chỉ cần một trong các nghiệm của
phương trình đặc trưng là không dừng để chuỗi không dừng. Tổng quát hơn, và mô
hình AR(p) sẽ có p nghiệm (mặc dù hai hoặc nhiều nghiệm có thể giống nhau) và
trong trường hợp p> 2, bất kỳ gói máy tính kinh tế lượng tốt nào (ví dụ: EViews) đều
có thể tính toán nghiệm cho bạn.

12/ Xét mô hình AR(1) sau với các nhiễu có trung bình bằng 0 và phương sai đơn
vị: y t = 0,2 + 0,4 y t -1 + u t

Giá trị trung bình (vô điều kiện) của y sẽ được cho bởi:

Trả lời: 0,33

Đối với quy trình AR(1), giá trị trung bình (không điều kiện) của y sẽ được cho bởi hệ
số chặn chia cho (1 trừ hệ số tự hồi quy), trong trường hợp này là 0,2 / (1 - 0,4) = 0,33.

13/ Phương sai (vô điều kiện) của quá trình AR(1) đối với y cho ở câu 12 sẽ là:

Đáp số: 1,19

Phương sai (vô điều kiện) của một quy trình AR(1) được tính bằng phương sai của các
nhiễu chia cho (1 trừ bình phương của hệ số tự hồi quy), trong trường hợp này là 1 / (1
– 0,4^2) = 1,19.

14/ Giá trị của hàm tự hiệp phương sai tại lag 3 của mô hình AR(1) cho ở câu 12
sẽ là:

Trả lời: 0,076

Giá trị của hàm tự hiệp phương sai ở độ trễ k đối với bất kỳ quy trình AR(1) nào có hệ
số tự hồi quy a1 được cho bởi a1^k nhân với sigma^2 chia cho (1 trừ a1^2) , trong
trường hợp này là 0,4^3 × 1/(1 - 0,4^2) = 0,076.

15/ Giá trị của hàm tự tương quan tại lag 3 của mô hình AR(1) cho ở câu 12 sẽ là:

Trả lời: 0,064

Giá trị của hàm tự tương quan ở độ trễ k đối với bất kỳ quá trình AR(1) nào có hệ số
tự hồi quy a1 được cho đơn giản bởi a1^k, mà trong trường hợp này là 0,4^3 = 0,064.

16/ Phát biểu nào sau đây là đúng khi nói về hàm tự tương quan (acf) và hàm tự
tương quan từng phần (pacf)?

(i) acf và pacf sẽ luôn giống nhau ở độ trễ dù là mô hình nào

(ii) Pacf cho mô hình MA(q) nói chung sẽ khác 0 sau độ trễ q

(iii) Pacf cho mô hình AR(p) sẽ bằng 0 sau độ trễ p

(iv) acf và pacf sẽ giống nhau ở độ trễ hai đối với mô hình MA(1)

Trả lời: (i), (ii), và (iii)

Pacf đo lường mối tương quan giữa y_t và y_(tk) sau khi kiểm soát (loại bỏ) các tác
động của độ trễ trung gian đối với giá trị hiện tại. Ví dụ: pacf ở độ trễ 3 đo lường
corr(y_t, y_(t-3)) sau khi loại bỏ ảnh hưởng của y_(t-1) và y_(t-2) trên y_t. Do đó, vì ở
độ trễ 1 không có độ trễ trung gian nào cần loại bỏ, acf và pacf sẽ luôn giống nhau ở
độ trễ 1 bất kể mô hình nào, vì vậy (i) đúng. Đối với mô hình MA(q), acf sẽ bằng 0 ở
mọi độ trễ vượt quá q, nhưng MA(q) có thể được viết dưới dạng AR(infinity). Do đó,
pacf sẽ không bao giờ bằng 0, nhưng sẽ giảm về mặt hình học, và do đó (ii) là đúng.
Tuy nhiên, đối với AR(p), một khi các ảnh hưởng của y_(t-1), y_(t-2), … , y(tp) bị
loại bỏ, tương quan giữa y_t và y_(tpj) sẽ bằng 0 đối với tất cả các giá trị nguyên
dương của j. Vì vậy, trong khi acf cho AR(p) sẽ giảm về mặt hình học, thì pacf sẽ
bằng 0 sau độ trễ p và do đó (iii) là đúng. Cuối cùng, mặc dù acf sẽ bằng 0 ở độ trễ 2
đối với MA(1), pacf sẽ không vì vậy (iv) là sai.

17/ Mô hình ARMA(p,q) (p, q là các số nguyên lớn hơn 0) sẽ có:

Trả lời: Một acf và pacf đều suy giảm về mặt hình học

Đối với ARMA(p,q), phần AR sẽ chi phối acf theo nghĩa là nó sẽ suy giảm về mặt
hình học và sẽ không bằng 0 sau độ trễ p hoặc q. Rõ ràng, phần MA sẽ có tác động lên
acf cho đến khi q trễ và sau đó acf sau đó sẽ giống hệt như của AR(p). Tương tự như
vậy, phần MA sẽ chi phối pacf theo nghĩa là nó sẽ suy giảm về mặt hình học và sẽ
không bằng 0 sau độ trễ p hoặc q. Rõ ràng, phần AR sẽ có tác động đến nhịp điệu cho
đến khi p trễ và sau đó acf sau đó sẽ giống hệt với MA(q).

18/ Pacf là cần thiết để phân biệt giữa:

Trả lời: Mô hình AR và ARMA

Pacf không bắt buộc phải phân biệt giữa quy trình AR và MA. Điều này có thể đạt
được bằng cách sử dụng acf, vì AR(p) sẽ có acf giảm dần về mặt hình học trong khi
MA(q) sẽ có acf cắt ngắn sau q độ trễ. Tương tự, acf là tất cả những gì cần thiết để
phân biệt giữa quy trình ARMA(p,q) và MA(q) , vì ARMA(p,q) sẽ có acf giảm dần về
mặt hình học trong khi MA(q) sẽ có acf acf bị cắt ngắn sau q độ trễ. Sẽ rất khó sử
dụng acf hoặc pacf để phân biệt giữa các mô hình trong họ ARMA(p,q) vì bất kỳ giá
trị nào của p và q của ít nhất một giá trị sẽ dẫn đến acf và pacf suy giảm về mặt hình
học. Vì vậy, ứng dụng quan trọng nhất của pacf là để phân biệt giữa các quy trình
AR(p) và ARMA, vì đối với cái trước, pacf sẽ bằng 0 sau độ trễ p trong khi đối với cái
sau, sự suy giảm của pacf sẽ là hình học.

19/ Các nghiệm đặc trưng của quá trình MA: y t = -3 u t -1 + u t -2 + u t là:

Trả lời: 1 và 0,5

Nghiệm của phương trình đặc tính được tìm cho một quá trình MA bằng cách trước
tiên sử dụng ký hiệu toán tử trễ và tập hợp tất cả các số hạng trong u lại với nhau dưới
dạng y_t = -3L u_t + L^2 u_t + u_t. Sau đó, phương trình đặc trưng sẽ là z^2 - 3z + 1
= 0, phân tích thành (1 - z)(1 - 2z) = 0, cho nghiệm của 1 và 0,5 (vì vậy b đúng).
Không quan tâm, quá trình MA này là không thể đảo ngược vì tính khả nghịch sẽ yêu
cầu cả hai nghiệm nằm bên ngoài vòng tròn đơn vị trong khi trong trường hợp này có
một nghiệm đơn vị và một nghiệm nổ. Do đó, quá trình MA này sẽ “nổ tung” dưới
biểu diễn AR(vô cực) với các hệ số trên các số hạng ngày càng lớn hơn trên các độ trễ
ngày càng xa hơn về quá khứ.

20/ Xem xét bức tranh sau đây và đề xuất mô hình từ danh sách dưới đây mô tả
đúng nhất quy trình:

Trả lời: Một AR(2)

Trên thực tế, đây là một quá trình AR(2). Hình ảnh này được tạo ra từ một mẫu dữ
liệu mô phỏng có độ dài 100.000 quan sát. Do đó, mô hình thích hợp có thể được xác
định dễ dàng hơn nhiều so với trường hợp sử dụng một mẫu dữ liệu thực. Một mẫu dữ
liệu thực không chỉ có khả năng nhỏ hơn nhiều mà còn có khả năng bị “nhiễm” các
đặc điểm khác khiến việc xác định thứ tự mô hình phù hợp trở nên khó khăn hơn
nhiều (ví dụ: bước nhảy hoặc phá vỡ cấu trúc, thay đổi độ biến động, v.v.). Ngoài ra,
tất nhiên, sẽ không có tập dữ liệu thực nào được tạo bởi một mô hình từ họ ARMA –
tất cả những gì chúng tôi sẽ cố gắng làm là chọn mô hình phù hợp nhất từ lớp này để
mô tả các tính năng quan trọng của dữ liệu. Dù sao, bức tranh được đưa ra trong câu
hỏi này có hai đỉnh quan trọng của pacf (thực tế là đỉnh thứ hai âm là không liên quan
và chỉ đơn giản chỉ ra rằng dấu của các hệ số trong mô hình là khác nhau). Nhưng acf
giảm khá chậm (mặc dù tụt nhanh sau lag 4). Nhìn chung, thông tin này phù hợp với
quy trình AR(2). Trên thực tế, DGP là y_t = 0,5 y_(t-1) – 0,2 y_(t-2) + u_t.

21/ Xem xét bức tranh sau đây và gợi ý mô hình từ danh sách dưới đây mô tả
đúng nhất quy trình:

Trả lời: Một MA(2)

Ở đây, acf chỉ có ý nghĩa đối với hai độ trễ đầu tiên trước khi nhanh chóng giảm
xuống 0, trong khi pacf giảm dần về mặt hình học. Do đó, thông tin này phù hợp với
quy trình MA(2). DGP là y_t = 1,2 u_(t-1) - 1,5 u_(t-2) + u_t. Trên thực tế, đây là một
MA không thể đảo ngược, mặc dù nó vẫn có các hình dạng đặc trưng của acf và pacf
mà bất kỳ quy trình MA nào cũng sẽ có.
22/ Phát biểu nào sau đây là đúng về acf và pacf?

(i) acf và pacf thường khó giải thích trong thực tế

(ii) acf và pacf có thể khó tính đối với một số tập dữ liệu

(iii) Tiêu chí thông tin đại diện cho một cách tiếp cận thay thế để xác định thứ tự
mô hình

(iv) Nếu được áp dụng đúng, acf và pacf sẽ luôn cung cấp các lựa chọn mô hình
duy nhất

Trả lời: (i), (ii), và (iii)

(i), (ii) và (iii) đúng. acf và pacf thường khó giải thích trong thực tế (ngụ ý rằng (i)
đúng và (iv) sai). Điều này phát sinh vì hai lý do. Đầu tiên, rất khó sử dụng acf và pacf
để chọn các mô hình từ trong họ ARMA(p,q), vì tất cả các mô hình có p và q đều lớn
hơn 0 sẽ có các đặc điểm giống nhau. Thứ hai, thường xảy ra trường hợp khi acf hoặc
pacf được tính toán, các hệ số trở nên không đáng kể và sau đó lại có ý nghĩa khi độ
dài trễ tăng lên. Ví dụ: giả sử rằng các hệ số acf có ý nghĩa nhưng giảm dần từ độ trễ
từ 1 đến 5, trong khi pacf có ý nghĩa đối với độ trễ 1, 3 và 4 nhưng không có ý nghĩa
đối với 2 hoặc 5. Điều này phù hợp với AR(1) nếu chúng ta bỏ qua độ trễ 3 và 4, một
AR(4) nếu chúng ta bỏ qua thực tế là nhịp độ của độ trễ 2 là không đáng kể, hoặc một
ARMA(p,q) nếu chúng ta tin rằng cả acf và nhịp độ đều giảm về mặt hình học. Một
cách tiếp cận khác để xác định thứ tự mô hình sẽ là chọn mô hình đó giảm thiểu giá trị
của một tiêu chí thông tin. Cuối cùng, acf và pacf có thể được tính toán khá dễ dàng
bằng cách sử dụng một bộ công thức tiêu chuẩn, bất kể chuỗi dữ liệu là gì.

23/ Phát biểu nào sau đây là đúng về cách tiếp cận Box-Jenkins đối với thử
nghiệm chẩn đoán cho các mô hình ARMA?

(i) Các thử nghiệm sẽ cho biết mô hình được xác định là quá lớn hay quá nhỏ

(ii) Các kiểm định liên quan đến việc kiểm tra các phần dư của mô hình về tự
tương quan, phương sai thay đổi và tính phi chuẩn tắc
(iii) Nếu mô hình được đề xuất ở giai đoạn xác định là phù hợp, acf và pacf cho
phần dư sẽ không thể hiện cấu trúc bổ sung nào

(iv) Nếu mô hình được đề xuất ở giai đoạn xác định là phù hợp, các hệ số trên các
biến bổ sung theo cách tiếp cận quá khớp sẽ không có ý nghĩa thống kê

Trả lời: (ii) và (iv)

Đầu tiên, điều đáng chú ý là nghiên cứu của Box và Jenkins đã có trước tất cả các
công việc được thực hiện trong những năm 1970 và 1980 về thử nghiệm chẩn đoán
cho các mô hình kinh tế lượng. Do đó, trong thế giới Box-Jenkins, thử nghiệm chẩn
đoán có nhiệm vụ hạn chế hơn nhiều - chỉ kiểm tra xem liệu mô hình được đề xuất có
đủ để nắm bắt sự phụ thuộc tuyến tính trong dữ liệu hay không. Box và Jenkins đã đề
xuất hai cách tiếp cận tương tự để thử nghiệm chẩn đoán các mô hình ARMA và trong
cả hai trường hợp, nếu mô hình được đề xuất là phù hợp, thì không nên duy trì thêm
cấu trúc nào trong phần dư của mô hình ước tính. Đầu tiên là "cố ý trang bị quá mức",
liên quan đến việc ước tính một mô hình lớn hơn mô hình được đề xuất ở giai đoạn
xác định và kiểm tra ý nghĩa thống kê của các hệ số bổ sung. Nếu mô hình đã nắm bắt
được tất cả cấu trúc tuyến tính trong dữ liệu, thì tất cả những cấu trúc này sẽ không có
ý nghĩa thống kê. Cách tiếp cận khác được gọi là "thử nghiệm chẩn đoán phần dư" và
điều này liên quan đến việc tính toán acf và pacf của phần dư từ mô hình ước tính.
Một lần nữa, nếu mô hình được chỉ định đã nắm bắt được tất cả cấu trúc tuyến tính
trong dữ liệu, acf và pacf trên phần dư sẽ đề xuất ARMA(0,0) làm mô hình tối ưu.
Trong khuôn khổ này, nếu một mô hình quá lớn (nghĩa là có quá nhiều thuật ngữ MA
hoặc AR trong đó) đã được đề xuất ở giai đoạn đầu tiên, thì phương pháp thử nghiệm
chẩn đoán của Box-Jenkins không thể thông báo cho bạn về điều này và sẽ không có
cách để phát hiện ra nó.

24/ Phát biểu nào sau đây là đúng về tiêu chí thông tin?

(i) Bình phương R đã điều chỉnh là một tiêu chí thông tin

(ii) Nếu tổng bình phương còn lại giảm khi thêm một số hạng, giá trị của tiêu chí
thông tin sẽ giảm
(iii) Tiêu chí thông tin của Akaike luôn dẫn đến các đơn đặt hàng mô hình lớn ít
nhất bằng tiêu chí thông tin của Schwarz

(iv) Tiêu chí thông tin của Akaike là nhất quán

Trả lời: (i) và (iii)

Một tiêu chí thông tin chỉ đơn giản là thước đo mức độ phù hợp của mô hình đánh đổi
sự phù hợp hơn với dữ liệu với số lượng tham số ngày càng tăng. Do đó, bình phương
R đã điều chỉnh rõ ràng thuộc định nghĩa này. Tuy nhiên, đây không phải là một tiêu
chí được sử dụng rộng rãi vì nó rất lỏng lẻo (thời hạn phạt đối với việc thêm các tham
số bổ sung quá yếu) và thường sẽ chọn các đơn đặt hàng mô hình rất lớn. Rõ ràng, vì
các tiêu chí thông tin đánh đổi RSS và giá trị của thời hạn phạt, nếu RSS chỉ giảm một
lượng rất nhỏ khi một tham số mới được thêm vào, thì giá trị của tiêu chí thông tin sẽ
tăng lên. Có thể thấy rằng AIC luôn dẫn đến các đơn đặt hàng mô hình ít nhất lớn
bằng các đơn đặt hàng do SBIC lựa chọn. AIC sẽ không bao giờ chọn mô hình có số
tham số nhỏ hơn mô hình do SBIC chọn. Cuối cùng, AIC trên thực tế KHÔNG nhất
quán. Nghĩa là, ngay cả khi kích thước mẫu tăng lên vô cùng, AIC vẫn sẽ cung cấp
một mô hình quá lớn về trung bình. Do đó, một câu hỏi rõ ràng là tại sao nó lại được
sử dụng?! Câu trả lời là mục tiêu có thể phù hợp với tất cả cấu trúc tuyến tính trong dữ
liệu và do đó, vì trong thực tế, chúng tôi không biết DGP thực sự là gì, nên đã sai lầm
khi hình thành một mô hình quá lớn. Ngoài ra, AIC có thể hiệu quả hơn SBIC, do đó
các mẫu khác nhau trong dân số có thể dẫn đến các đơn đặt hàng mẫu tương tự theo
AIC nhưng các đơn đặt hàng mẫu khác nhau hơn theo SBIC.

25/ Xem xét phương trình ARMA(2,1) sau (với sai số chuẩn trong ngoặc đơn) đã
được ước tính như một phần của chiến lược trang bị quá mức Box-Jenkins để
kiểm tra tính phù hợp của mô hình AR(1) đã chọn.

Bạn nghĩ mô hình nào, với những kết quả này, là phù hợp nhất cho dữ liệu?
Trả lời: Phản hồi thích hợp đối với bộ kết quả chẩn đoán này sẽ là quay lại giai
đoạn xác định và đề xuất một mô hình lớn hơn

Trong thực tế, câu trả lời 4 là câu trả lời tốt nhất. Rõ ràng là các thuật ngữ “được trang
bị quá mức” bổ sung có ý nghĩa thống kê, do đó mô hình AR(1) ban đầu không thể
được xem là đầy đủ. Tuy nhiên, mặc dù cả hai thuật ngữ y_(t-2) và u_t-1 đều có ý
nghĩa thống kê, gợi ý bằng chứng cho cấu trúc ARMA(2,1), nhưng khi mô hình được
chọn ở giai đoạn nhận dạng đã bị từ chối, chúng ta cần quay lại lên bảng vẽ. Mặc dù
ARMA(2,1) có thể tốt hơn AR(1) trong trường hợp này, nhưng có thể bất kỳ mô hình
bậc cao hơn nào cũng có thể nắm bắt các tính năng của dữ liệu tốt hơn và liệu điều
này có đúng hay không chỉ có thể được xác định bởi kiểm tra lại acf và pacf của dữ
liệu gốc.

26/ Phát biểu nào sau đây là đúng khi nói về lớp mô hình ARIMA(p,d,q)?

(i) “Tôi” là viết tắt của độc lập

(ii) Mô hình ARIMA(p,1,q) được ước tính trên một loạt nhật ký giá tương đương
với mô hình ARIMA(p,0,q) được ước tính trên một tập hợp lợi nhuận gộp liên
tục

(iii) Đối với chuỗi thời gian tài chính, giá trị tối ưu của d có thể là 2 hoặc 3 là hợp
lý.

(iv) Việc ước lượng mô hình ARIMA không tương thích với khái niệm đồng liên
kết

Trả lời: (ii) và (iv)

(ii) và (iv) chỉ đúng. Chữ “I” trong ARIMA là viết tắt của tích hợp. Điều này rõ ràng
liên quan đến khái niệm nghiệm đơn vị, và d là số lần mà chuỗi phải được phân biệt
để làm cho nó đứng yên. Do đó, thông thường, đối với chuỗi thời gian tài chính, giá trị
bắt buộc của d sẽ là 0 hoặc có thể là 1. Nó gần như chắc chắn sẽ không phải là 2 và
không bao giờ là 3. Cách mà mô hình ARIMA thường được tiếp cận là lấy số chênh
lệch cần thiết trước. và sau đó để ước tính một mô hình ARMA trên chuỗi khác biệt
thu được. Do đó, một mô hình ARIMA(p,d,q) tương đương với một mô hình
ARMA(p,q) được ước tính trên một chuỗi bị sai khác d lần. Vì vậy, ước tính mô hình
ARMA(p,q) trên một loạt log-return (lợi nhuận gộp liên tục) tương đương với ước
tính mô hình ARIMA(p,1,q) trên nhật ký giá. Một lần nữa, đặc điểm kỹ thuật của các
mô hình ARIMA đã có trước công trình của Engle và Ganger về đồng liên kết và nếu
chúng ta tin rằng mối quan hệ dài hạn giữa các chuỗi là quan trọng, thì chúng ta không
nên ước tính các mô hình ARIMA. Theo cách tiếp cận xây dựng mô hình ARIMA,
mỗi chuỗi sẽ được phân biệt theo số lần cần thiết và sau đó các mô hình ARMA được
áp dụng riêng cho từng chuỗi. Do đó, tất cả các mối quan hệ lâu dài giữa các chuỗi sẽ
bị mất.

27/ Phát biểu nào sau đây là đúng khi nói về dự báo trong kinh tế lượng?

Trả lời: Khả năng dự báo trong mẫu là một bài kiểm tra kém về mức độ phù hợp
của mô hình

Dự báo có thể được thực hiện cho dữ liệu chéo cũng như dữ liệu chuỗi thời gian. Ví
dụ: chúng ta có thể đưa ra dự báo về giá của một ngôi nhà sắp được đưa ra thị trường,
dựa trên các đặc điểm của nó. Hoặc chúng ta có thể dự đoán xếp hạng tín dụng của
một công ty mới được tư nhân hóa muốn phát hành nợ. Trong cả hai trường hợp đó,
dữ liệu mà từ đó các mô hình liên quan sẽ được xây dựng đều là dữ liệu cắt ngang.
Mặc dù có khả năng là các mô hình được chỉ định sai sẽ tạo ra dự báo kém, nhưng vẫn
có khả năng một mô hình được chỉ định sai có thể tạo ra dự báo tốt hơn khi được đánh
giá trên một phần dữ liệu ngoài mẫu so với một mô hình được chỉ định tốt. Điều này
sẽ phát sinh, ví dụ, nếu một mô hình được “trang bị quá mức” cho dữ liệu trong mẫu
và do đó nắm bắt một số tính năng cụ thể không liên quan của dữ liệu trong mẫu đó.
Dự báo cấu trúc thường khó tạo ra hơn so với dự báo theo chuỗi thời gian vì để hình
thành dự báo cấu trúc, chúng ta thường yêu cầu cả dự đoán về các biến cấu trúc. Đúng
là khả năng dự báo trong mẫu là một thử nghiệm kém của một mô hình. Điều này phát
sinh do bằng cách sử dụng cùng một bộ dữ liệu để ước tính mô hình và đánh giá các
dự báo có nghĩa là chúng ta đã gian lận. Rất dễ dàng để cải thiện độ chính xác của dự
báo trong mẫu bằng cách điều chỉnh một mô hình lớn hơn. Nó sẽ giống như một ảo
thuật gia đoán xem bạn đã chọn lá bài nào từ một bộ bài nếu anh ta đã nhìn thấy nó
rồi!

28/ Nếu một chuỗi, y, đi theo một bước ngẫu nhiên, thì dự báo trước một bước tối
ưu của y là bao nhiêu?

Trả lời: Giá trị hiện tại của y

Nếu y đi theo một bước đi ngẫu nhiên, dự đoán tối ưu về giá trị tiếp theo của y sẽ là
giá trị có sẵn gần đây nhất. Bước đi ngẫu nhiên của y có thể được viết là y_t = y_(t-1)
+ u_t. Bây giờ giả sử rằng khoảng thời gian hiện tại là thời gian (t-1). Sau đó, dự báo,
được thực hiện tại thời điểm này cho giai đoạn tiếp theo, t, sẽ được đưa ra bằng cách
lấy các kỳ vọng: E[y_t] = E[y_(t-1) + u_t]. Vì vậy, E[y_t] = E[y_(t-1)] + E[u_t].
Nhưng giá trị kỳ vọng của số hạng xáo trộn giai đoạn tiếp theo bằng 0 và giá trị kỳ
vọng của y_(t-1) là giá trị thực tế mà chúng ta đã quan sát được, y_(t-1). Do đó, E[y_t]
= y_(t-1).

29/ Nếu một chuỗi, y, đi theo một bước đi ngẫu nhiên với độ lệch b, thì dự báo
trước một bước tối ưu về sự thay đổi của y là gì?

Trả lời: Giá trị trung bình của thay đổi trong y trong khoảng thời gian lấy mẫu

Lưu ý rằng bây giờ chúng ta muốn dự đoán về chênh lệch đầu tiên của y, chứ không
phải mức của y, và bây giờ mô hình có độ lệch, b: y_t = b + y_(t-1) + u_t. Chúng ta có
thể viết mô hình này ở dạng vi phân đầu tiên là y_t - y_(t-1) = b + u_t và chúng ta có
thể viết sai phân đầu tiên là dy_t = y_t - y_(t-1). Áp dụng logic tương tự như trên và
lấy kỳ vọng tại thời điểm (t-1) của các giá trị tại thời điểm t, E(dy_t) = E[b + u_t] =
E[b] + E[u_t]. Nhưng giá trị kỳ vọng của hằng số b là b, và giá trị kỳ vọng của nhiễu
loạn giai đoạn tiếp theo bằng 0, vì vậy E(dy_t) = b. b là độ lệch, giá trị này chỉ đơn
giản được ước tính là giá trị trung bình của thay đổi trong y trong khoảng thời gian lấy
mẫu.
30/ Mô hình dự báo “ex ante” là mô hình:

Trả lời: Chỉ bao gồm các giá trị trước đó của các biến trên RHS

Theo định nghĩa, mô hình “ex ante” (“trước sự kiện”) là mô hình chỉ sử dụng các giá
trị bị trễ của các biến trên RHS. Các mô hình này đặc biệt hữu ích cho dự báo chuỗi
thời gian vì ngay cả khi các biến RHS là biến ngoại sinh, chúng ta có thể đưa ra dự
báo từ mô hình mà không yêu cầu dự báo cho các biến ngoại sinh trong nhiều bước
trước khi các biến RHS bị trễ. Ví dụ: nếu các biến RHS đều là giá trị trễ một giai đoạn
trong khi biến LHS là giá trị hiện tại, chúng ta có thể đưa ra dự báo trước một bước
mà không cần phải có dự báo của các biến giải thích.

31/ Xét mô hình MA(2) sau: y t = 0,3 + 0,5u t-1 - 0,4u t-2 + u t

Dự báo trước hai bước tối ưu từ mô hình này, được thực hiện tại thời điểm t, nếu
các giá trị của phần dư từ mô hình tại thời điểm t và t-1 lần lượt là 0,6 và –0,1 và
các giá trị của chuỗi y thực tại thời điểm đó t-1 là –0,4?

Trả lời: 0,24

Những gì chúng tôi muốn là một dự báo cho y_(t+2). Lặp lại mô hình về phía trước
theo thời gian trong một và hai bước thời gian, chúng ta sẽ có

y_(t+1) = 0,3 + 0,5u_t - 0,4u_(t-1) + u_(t+1)

y_(t+2) = 0,3 + 0,5u_(t+1) - 0,4u_(t) + u_(t+2).

Lấy kỳ vọng của hai phương trình này lần lượt cho

E[y_(t+1)] = 0,3 + 0,5E[u_t] - 0,4E[u_(t-1)] + E[u_(t+1)]

E[y_(t+2)] = 0,3 + 0,5E[u_(t+1)] - 0,4E[u_(t)] + E[u_(t+2)]

Nếu các kỳ vọng được lấy tại thời điểm t, thì chỉ các đại lượng đến và bao gồm cả thời
điểm t được biết, vì vậy E[u_(t+1)] = 0 và E[u_(t+2)] = 0, trong khi E[u_t] = u_t = 0,6
và E[u_(t-1)] = u_(t-1) = -0,1. Thay các giá trị này vào 2 phương trình cuối ở trên sẽ
cho E[y_(t+1)] = 0,3 + (0,5 x 0,6) – (0,4 x -0,1) = 0,64 và E[y_(t+2)] = 0,3 – (0,4 x
0,6) = -0,24. Do đó, dự báo trước 2 bước tối ưu là 0,24 và c là chính xác. Lưu ý rằng
giá trị của chuỗi thực tế tại thời điểm t-1 là "cá trích đỏ" - nghĩa là, chúng là những
mẩu thông tin vô ích vì theo thông số kỹ thuật MA, giá trị hiện tại của chuỗi phụ thuộc
vào giá trị hiện tại và trước đó của một lỗi thuật ngữ chứ không phải trên các giá trị
trước đó của chính chuỗi.

32/ Dự báo trước ba bước tối ưu từ mô hình MA(2) đưa ra ở câu hỏi 31 là gì?

Trả lời: 0,3

Lặp lại phương trình đã cho trong câu hỏi 11 về phía trước ba bước thời gian sẽ cho

y_(t+3) = 0,3 + 0,5u_(t+2) - 0,4u_(t+1) + u_(t+3)

và lấy kỳ vọng về điều này dẫn đến

E[y_(t+3)] = 0,3 + 0,5E[u_(t+2)] - 0,4E[u_(t+1)] + E[u_(t+3)].

Vì tất cả các số hạng trên RHS của phương trình này ngoại trừ phần chặn liên quan
đến các số hạng nhiễu loạn tại thời điểm (t+1) hoặc xa hơn nữa, kỳ vọng của chúng
đều bằng không. Do đó, dự báo trước 3 bước thu gọn thành tung độ gốc (0,3) và b là
chính xác. Điều này được mong đợi vì MA(q) chỉ có bộ nhớ của q nên bất kỳ dự báo
nào được thực hiện cho hơn q bước trong tương lai sẽ giảm xuống phần chặn (và bằng
0 nếu không có phần chặn).

33/ Phát biểu nào sau đây là đúng khi nói về ước lượng và dự báo của mô hình
làm trơn hàm mũ, S t = ay t + (1- a ) S t -1 ?

(i) Sử dụng ký hiệu tiêu chuẩn, giá trị của a càng lớn thì trọng số càng ít gắn với
các quan sát gần đây hơn

(ii) Nếu a = 0, sẽ không có cập nhật khi có quan sát mới

(iii) Dự báo trước một bước chỉ từ mô hình làm mịn hàm mũ sẽ là giá trị được
làm mịn có sẵn gần đây nhất

(iv) Nếu a = 1, mô hình tương đương với bước ngẫu nhiên cho chuỗi y

Trả lời: (ii) và (iv)

Mô hình làm mịn có trọng số theo cấp số nhân có thể được thể hiện theo một cách
khác bằng cách làm trễ mô hình một khoảng thời gian và sau đó thay thế S_(t-1) trên
RHS, sau đó lặp lại quy trình này. Chúng ta sẽ có một tổng trọng số trong các giá trị
trễ của y cộng với một số giá trị ban đầu của S. Với điều kiện là 0 < a < 1, các trọng số
gắn với mỗi giá trị trễ của y sẽ giảm theo hệ số (1-a) khi độ dài trễ tăng thêm một. Vì
vậy, giá trị của a càng cao, trọng số sẽ được gắn vào các quan sát gần đây càng nhiều
và trọng số sẽ giảm càng nhanh khi độ dài trễ tăng lên. Trong giới hạn, nếu a = 0, sẽ
không có cập nhật giá trị được làm mịn khi thời gian trôi qua và có sẵn các quan sát
mới. Mặt khác , nếu a = 1, sẽ không có sự làm mịn và do đó, giá trị được làm mịn hiện
tại (và do đó, dự báo cho tất cả các giá trị trong tương lai của chuỗi y) sẽ bằng với giá
trị hiện tại của y. Do đó, mô hình sẽ sụp đổ thành bước đi ngẫu nhiên trong y. Nói
chung, khi 0 < a < 1, giá trị được làm mịn hiện tại của chuỗi S_t trở thành dự báo cho
TẤT CẢ các giá trị trong tương lai của chuỗi, bất kể số bước phía trước.

34/ Phát biểu nào sau đây là đúng về các biện pháp đo lường độ chính xác dự báo
thay thế?

Trả lời: Lỗi bình phương trung bình xử phạt các lỗi dự báo lớn nhiều hơn một
cách không tương xứng so với các lỗi dự báo nhỏ

Lỗi trung bình bình phương (MSE) hay lỗi tuyệt đối trung bình (MAE) hoặc bất kỳ
biện pháp thống kê nào khác, thường sẽ tương quan cao với hiệu suất của các quy tắc
giao dịch dựa trên dự báo thống kê. Đôi khi, tỷ lệ phần trăm số lần dự báo dự đoán
chính xác dấu hiệu của lợi nhuận tiếp theo là một hướng dẫn hữu ích hơn về hiệu suất
của dự báo khi được sử dụng trong quy tắc giao dịch tài chính. Một lời giải thích khả
dĩ cho điều này là các quy tắc giao dịch thường chỉ yêu cầu một chỉ báo mua hoặc bán
(được đưa ra bởi dấu hiệu dự đoán về lợi nhuận tiếp theo), trong khi các biện pháp
thống kê như MSE hoặc MAE cũng phụ thuộc vào khoảng cách của dự báo so với giá
trị thực tế. . MSE bình phương các lỗi dự báo, và do đó, chính điều này chứ không
phải MAE cung cấp hàm mất bậc hai. Sai số phần trăm tuyệt đối trung bình (MAPE)
khá vô dụng đối với bất kỳ chuỗi nào khi chuỗi thực tế, y, có thể nhận các giá trị gần
bằng không. Điều này phát sinh do MAPE chia sai số dự báo cho giá trị thực tế, vì vậy
nếu giá trị này nhỏ hơn nhiều so với sai số dự báo, MAPE sẽ tăng lên, trong khi nếu
giá trị thực tế luôn bằng 0, MAPE sẽ tăng lên vô cùng. Cuối cùng, đúng là MSE xử
phạt các lỗi dự báo lớn nhiều hơn các lỗi nhỏ một cách không tương xứng vì các lỗi
dự báo được bình phương! Điều này có hữu ích hay không sẽ phụ thuộc vào việc liệu
các lỗi dự báo lớn có phải là chuỗi nhiều hơn một cách không cân xứng đối với người
dự báo hay không.

35/ Yếu tố nào sau đây có khả năng dẫn đến độ chính xác dự báo ngoài mẫu
tương đối cao?

Trả lời: Một mô hình dựa trên lý thuyết tài chính

Một mô hình dựa trên lý thuyết kinh tế hoặc tài chính vững chắc có khả năng đưa ra
các dự báo tốt vì có lý do chính đáng để cho rằng một mô hình như vậy sẽ hoạt động
trong giai đoạn ngoài mẫu cũng như đối với mẫu dữ liệu đã được dùng để ước lượng
các tham số của mô hình. Một mô hình chứa nhiều biến có khả năng phù hợp với
“tiếng ồn” cũng như “tín hiệu” trong dữ liệu trong mẫu, nghĩa là nó sẽ không dễ dàng
khái quát hóa. Trong phạm vi các mẫu này trong dữ liệu trong mẫu sẽ không được lặp
lại trong giai đoạn ngoài mẫu, một mô hình lớn như vậy có thể tạo ra các dự báo kém.
Dự báo ngoài mẫu tốt thường thu được từ các mô hình nhỏ gọn. Nếu một biến gần đây
có biểu hiện thay đổi về cấu trúc, điều này có thể có nghĩa là mối quan hệ mà biến đó
có với một tập hợp các biến khác đã bị phá vỡ. Nếu đúng như vậy, bất kỳ mô hình nào
được ước tính trên một mẫu dữ liệu trước hoặc trong quá trình phá vỡ cấu trúc đều có
thể không dự báo tốt sau khi phá vỡ cấu trúc. Cuối cùng, các mô hình dự báo thống kê
có thể và thực sự bị phá vỡ, do đó, các dự báo thống kê thuần túy có thể không hoạt
động tốt như những dự báo có khả năng sửa đổi dự báo nếu một chuyên gia cho rằng
mô hình có thể không hoạt động tốt vì một lý do nào đó.
 CHƯƠNG 7:
1. Trong ngữ cảnh mô hình hóa các phương trình đồng thời, phát biểu nào sau
đây là đúng đối với một biến nội sinh?
a. Giá trị của các biến nội sinh được xác định bên ngoài hệ thống
b. Có thể có ít phương trình trong hệ thống hơn là có các biến nội sinh
c. Phương trình dạng rút gọn sẽ không chứa bất kỳ biến nội sinh nào trên RHS
d. Các phương trình dạng rút gọn sẽ chỉ chứa các biến nội sinh trên RHS

Giải thích: Trong bối cảnh mô hình hóa các phương trình đồng thời, các biến nội sinh
là những biến có giá trị được xác định trong hệ thống. Do đó, đối với các giá trị của
các biến nội sinh được xác định trong hệ thống, phải có một phương trình cho từng
biến nội sinh. Tức là tất cả các biến nội sinh phải là một biến phụ thuộc trong một
phương trình. Theo định nghĩa, các phương trình dạng rút gọn là những phương trình
chỉ chứa các biến ngoại sinh dưới dạng các biến độc lập (trên RHS của các phương
trình). Như vậy c đúng và d sai.

2. Nếu OLS được áp dụng riêng cho từng phương trình là một phần của hệ thống
đồng thời, kết quả ước tính sẽ là
a. Không chệch và nhất quán
b. Chệch nhưng nhất quán
c. Chệch và không nhất quán
d. Không thể áp dụng OLS cho các phương trình là một phần của hệ thống đồng thời

Giải thích: Trên thực tế, nếu OLS được áp dụng riêng cho từng phương trình là một
phần của hệ thống đồng thời, các ước tính thu được sẽ bị sai lệch và không nhất
quán. Khá dễ dàng để chỉ ra rằng, vì giả định rằng E[X'u] = 0 bị vi phạm trong ngữ
cảnh của các phương trình đồng thời, OLS sẽ dẫn đến ước lượng hệ số sai lệch. Tuy
nhiên, không có gì trong xu hướng này sẽ được cải thiện khi cỡ mẫu tăng lên, và do
đó công cụ ước lượng OLS cũng sẽ không nhất quán (mặc dù việc chứng minh tính
không nhất quán của nó phức tạp hơn về mặt đại số). Tất nhiên, OLS có thể được sử
dụng riêng cho từng phương trình theo nghĩa là phương pháp này sẽ dẫn đến một số
ước tính, chỉ là OLS không thể được áp dụng HỢP LỆ.
3. Phát biểu nào sau đây là đúng đối với hệ thống tam giác (triangular) hoặc hệ
thống đệ quy (recursive)?
(i) Các tham số có thể được ước tính hợp lệ bằng cách sử dụng các ứng dụng OLS
riêng biệt cho từng phương trình
(ii) Các biến độc lập có thể tương quan với các số hạng sai số trong các phương trình
khác
(iii) Việc áp dụng 2SLS sẽ dẫn đến ước tính tham số không chệch nhưng không hiệu
quả
(iv) Các biến độc lập có thể tương quan với các số hạng sai số trong các phương trình
mà chúng xuất hiện dưới dạng các biến độc lập
a. (ii) và (iv)
b. (i) và (iii)
c. (i), (ii) và (iii)
d. (i), (ii), (iii) và (iv)

Giải thích: (i), (ii) và (iii) đều đúng. Hệ thống tam giác là hệ thống mà quan hệ nhân
quả giữa các “biến nội sinh” đều đi theo một hướng. Do đó, một hệ thống như vậy
hoàn toàn không phải là một hệ thống đồng thời và do đó OLS có thể được áp dụng
một cách hợp lệ cho từng phương trình trong hệ thống. Do đó, nếu một kỹ thuật hệ
thống như 2SLS được sử dụng, thì điều này sẽ được thực hiện một cách không cần
thiết và do đó sẽ xảy ra sự mất hiệu quả khi các giá trị phù hợp ở dạng rút gọn được
sử dụng thay vì các giá trị thực tế. Trong một hệ tam giác như được mô tả bởi các
phương trình từ 21 đến 23 trong các ghi chú bài giảng, Y_1 sẽ không tương quan với
u_1, Y_2 sẽ không tương quan với u_2 và Y_3 sẽ không tương quan với u_3. Đây là lý
do tại sao OLS có thể được áp dụng hợp lệ. Tuy nhiên, trong các phương trình 21-23,
Y_1, xuất hiện trên RHS của phương trình 22 và 23, sẽ tương quan với phần tử nhiễu
loạn u_1 và Y_2, xuất hiện trên RHS của phương trình 23, sẽ tương quan với phần tử
nhiễu loạn u_2 . Như vậy (ii) cũng đúng, nhưng từ quan điểm ước lượng nhất quán và
không chệch, điều này sẽ không thành vấn đề.

4. Xét hệ phương trình sau (với các chỉ số thời gian bị triệt tiêu và sử dụng ký
hiệu chuẩn)
Theo điều kiện thứ tự, phương trình đầu tiên là
a. không xác định
b. Chỉ cần xác định
c. xác định quá mức
d. Không thể biết liệu phương trình có được xác định hay không vì câu hỏi không đưa
ra các mô hình dạng rút gọn

Giải thích: Có 3 phương trình trong hệ thống này, vì vậy để một phương trình vừa
được xác định sẽ cần phải có 2 biến vắng mặt trong một phương trình đã cho. Nếu có
nhiều hơn 2 biến vắng mặt trong một phương trình nhất định, nó sẽ được phân loại là
xác định quá mức, trong khi nếu vắng mặt ít hơn 2 biến, nó sẽ được xác định dưới
mức. Tổng cộng các biến trong hệ thống là Y_1, Y_2, Y_3, X_1, X_2 và X_3. Biến duy
nhất bị thiếu trong phương trình đầu tiên là X_3, vì vậy phương trình này không được
xác định (không xác định).

5. Xét lại hệ phương trình câu 4. Theo điều kiện bậc thì phương trình thứ hai là
a. không xác định
b. Chỉ cần xác định
c. xác định quá mức
d. Không thể biết liệu phương trình có được xác định hay không vì câu hỏi không đưa
ra các mô hình dạng rút gọn

Giải thích: Có 3 phương trình trong hệ thống này, vì vậy để một phương trình vừa
được xác định sẽ cần phải có 2 biến vắng mặt trong một phương trình đã cho. Nếu có
nhiều hơn 2 biến vắng mặt trong một phương trình nhất định, nó sẽ được phân loại là
xác định quá mức, trong khi nếu vắng mặt ít hơn 2 biến, nó sẽ được xác định dưới
mức. Tổng cộng các biến trong hệ thống là Y_1, Y_2, Y_3, X_1, X_2 và X_3. Xét
phương trình thứ hai thiếu các biến Y_1 và X_3 nên phương trình mới xác định được.

6. Xét lại hệ phương trình câu 4. Phương pháp ước lượng nào, nếu có, có thể
dùng cho phương trình thứ ba trong hệ:
(i) OLS
(ii) 2SLS
(iii) ILS
a. (ii)
b. (ii) và (iii)
c. (i), (ii) và (iii)
d. Các hệ số không thể được ước tính hợp lệ bằng bất kỳ phương pháp nào

Giải thích: Trên thực tế, tất cả các biến trên RHS của phương trình thứ ba đều là biến
ngoại sinh và do đó có thể sử dụng bất kỳ phương pháp nào trong số 3 phương pháp
ước tính, mặc dù cả ILS và 2SLS sẽ dẫn đến ước tính kém hiệu quả hơn so với ứng
dụng OLS đơn giản.

7. Điều kiện thứ tự (order condition) là

a. Điều kiện cần và đủ để nhận dạng
b. Điều kiện cần nhưng chưa đủ để nhận dạng
c. Một điều kiện đủ nhưng không cần thiết để nhận dạng
d. Điều kiện không cần thiết cũng không đủ để xác định

Giải thích: Điều kiện thứ tự là điều kiện cần nhưng chưa đủ để nhận dạng. Nghĩa là,
nếu một phương trình không thỏa mãn điều kiện thứ tự thì nó không thể xác định
được. Mặt khác, nếu một phương trình thỏa mãn điều kiện thứ tự, thì có một số
trường hợp phương trình vẫn chưa được xác định. Một điều kiện thay thế vừa cần vừa
đủ (hay nói cách khác là nó cho bạn một kết quả chắc chắn) là điều kiện thứ hạng.
Nhưng điều kiện xếp hạng phức tạp hơn đáng kể để đánh giá và do đó nó không được
đề cập trong khóa học này. May mắn thay, hầu hết các hệ phương trình mà chúng ta
có thể muốn ước tính đều được xác định quá mức nên đây hiếm khi là một vấn đề
trong thực tế.

8. Một kiểm định Hausman sẽ được sử dụng cho

a. Xác định xem một phương trình là một phần của hệ thống đồng thời có được xác
định hay không
b. Xác định xem có cần một khung đồng thời cho một biến cụ thể hay không
c. Xác định xem 2SLS hay ILS là tối ưu
d. Xác định xem các phương trình dạng cấu trúc có thể thu được thông qua thay thế từ
các dạng rút gọn hay không

Giải thích: Kiểm định Hausman là một kiểm định ngoại sinh - nghĩa là nó được sử
dụng để xác định xem có cần một khung đồng thời cho một biến cụ thể hay không. Nó
hoạt động bằng cách ước tính các phương trình dạng rút gọn, thu được các giá trị
phù hợp của chúng, sau đó bao gồm các giá trị phù hợp này trong các phương trình
cấu trúc cùng với các biến nội sinh ban đầu. Nếu các ước tính hệ số trên các giá trị
phù hợp có ý nghĩa thống kê, thì điều này ngụ ý rằng có thêm thông tin cho phương
trình đó từ việc mô hình hóa các biến là nội sinh hơn là giả định rằng chúng là ngoại
sinh.

9. Kỹ thuật ước lượng nào sau đây có sẵn để ước lượng các hệ phương trình đồng
thời được xác định quá mức?
(i) OLS
(ii) ILS
(iii) 2SLS
(iv) IV
a. (iii)
b. (iii) và (iv)
c. (ii), (iii) và (iv)
d. (i), (ii), (iii) và (iv)

Giải thích: Chỉ 2SLS và IV từ danh sách này được áp dụng hợp lệ trong trường hợp
các phương trình được xác định quá mức. Các công cụ được sử dụng trong cách tiếp
cận biến công cụ có thể là một số biến ngoại sinh bổ sung được cho là tương quan với
các biến nội sinh được đưa vào hoặc chúng có thể là các giá trị phù hợp từ ước tính
của các phương trình dạng rút gọn. Trong trường hợp sau, 2SLS sẽ giống với IV. ILS
chỉ có thể được sử dụng để tính toán các phương trình dạng cấu trúc từ các dạng rút
gọn nếu phương trình vừa được xác định, trong khi OLS hoàn toàn không thể được sử
dụng cho các hệ thống đồng thời.

10. Ưu điểm nào sau đây của phương pháp VAR để mô hình hóa mối quan hệ
giữa các biến so với ước tính của các mô hình cấu trúc đầy đủ?
(i) VAR nhận được động lực mạnh mẽ từ lý thuyết tài chính và kinh tế
(ii) VAR ở dạng rút gọn có thể được sử dụng dễ dàng để đưa ra dự báo theo chuỗi thời
gian
(iii) Các mô hình VAR thường rất kỹ lưỡng
(iv) OLS có thể được áp dụng riêng cho từng phương trình ở dạng rút gọn VAR
a. (ii) và (iv)
b. (i) và (iii)
c. (i), (ii) và (iii)
d. (i), (ii), (iii) và (iv)

Giải thích: Đầu tiên, các VAR, giống như các mô hình ARMA, “nghèo về lý thuyết
(“theory-poor”)” – nghĩa là chúng thường chỉ dựa rất lỏng lẻo vào lý thuyết kinh tế
hoặc tài chính. Cách tiếp cận của mô hình VAR thường là đưa tất cả các biến vào và
xem biến nào có tác động đáng kể. Điều này trái ngược với các mô hình cấu trúc,
trong đó lý thuyết sẽ đóng vai trò mạnh mẽ hơn nhiều trong việc xác định biến nào sẽ
xuất hiện trong phương trình nào. Đúng là VAR có thể dễ dàng được sử dụng để đưa
ra các dự báo theo chuỗi thời gian. Điều này phát sinh do, ở dạng rút gọn hoặc “tiêu
chuẩn”, VAR chỉ có giá trị trễ của các biến trên RHS. Điều này loại bỏ vấn đề với các
mô hình cấu trúc tiêu chuẩn mà bạn phải dự báo các giá trị tương lai của các biến
giải thích để có thể đưa ra các dự báo về (các) biến được giải thích. Đưa ra dự báo
trước một bước hoặc nhiều bước với VAR chỉ đơn giản là một bài tập lặp lại với toán
tử kỳ vọng có điều kiện (như chúng tôi đã làm với các mô hình ARMA). Một nhược
điểm quan trọng của VAR là chúng thường KHÔNG tiết kiệm, tức là chúng thường
chứa nhiều biến. Điều này có thể sử dụng hết bậc tự do, giảm khả năng dự báo ngoài
mẫu và khiến việc giải thích VAR thậm chí còn khó khăn hơn so với cách khác. OLS
thực sự có thể được áp dụng riêng cho từng phương trình trong VAR dạng rút gọn vì
các phương trình chỉ chứa các biến (độ trễ) được xác định trước trên RHS và do đó
chúng không phải là các phương trình thực sự đồng thời.

11. Cần có bao nhiêu tham số để ước tính tổng cộng cho tất cả các phương trình
ở dạng chuẩn, không giới hạn, ba biến (tri-variate) VAR(4), bỏ qua các phần
chặn?
a. 12
b. 4
c. 3
d. 36

Giải thích: VAR ba biến là một trong đó sẽ có ba phương trình, mỗi phương trình cho
một biến và VAR(4) không giới hạn là một biến chứa 4 độ trễ của mỗi biến trong mỗi
phương trình. Do đó, mỗi phương trình sẽ có 4 độ trễ của 3 biến (tức là 12 tham số để
ước tính cho mỗi phương trình), đối với mỗi phương trình trong số 3 phương trình =
tổng cộng 12 x 3 = 36 tham số trên cả 3 phương trình.

12. Phát biểu nào sau đây đúng về VAR?

a. Các ước tính hệ số có giải thích lý thuyết trực quan
b. Các ước tính hệ số thường có cùng dấu cho tất cả các độ trễ của một biến nhất định
trong một phương trình nhất định
c. VAR thường đưa ra dự báo tốt hơn so với mô hình cấu trúc phương trình đồng thời
d. Tất cả các thành phần của VAR phải cố định trước khi có thể được sử dụng để dự
báo

Giải thích: Cũng giống như các mô hình ARMA, một trong những hạn chế của mô
hình VAR là khó diễn giải các ước tính hệ số, vì thường sẽ có một số độ trễ của từng
biến trong mỗi phương trình. Vấn đề này bị nhầm lẫn bởi thực tế là các ước tính hệ số
thường sẽ thay đổi dấu từ độ trễ này sang độ trễ khác, do đó không rõ liệu một biến
có tác động tích cực hay tiêu cực đến một tổng thể khác. Cũng có khả năng xảy ra
trường hợp chỉ một số độ trễ khác biệt đáng kể về mặt thống kê so với 0, khiến cho
việc nhận ra mối quan hệ thực sự giữa các biến mà VAR hàm ý là khá khó khăn.
Đúng là các VAR thường đưa ra các dự báo tốt trong thực tế và tốt hơn các mô hình
cấu trúc đồng thời có thể được sử dụng. Lý do cho độ chính xác dự báo này của VAR
không hoàn toàn rõ ràng, nhưng có thể dẫn đến việc thiếu các hạn chế buộc mô hình
phải thực hiện các phương trình được xác định, như sẽ phải được thực hiện đối với
các mô hình cấu trúc đồng thời. Cuối cùng, không nhất thiết đúng là tất cả các thành
phần của VAR phải cố định nếu mục đích sử dụng duy nhất của mô hình ước tính là
để dự báo. Do tính không cố định của bất kỳ thành phần nào của VAR sẽ không ảnh
hưởng đến tính nhất quán hoặc tính không thiên vị của ước lượng hệ số nên chúng ta
vẫn có thể có được dự báo tốt từ VAR với các thành phần không cố định.

13. Giả sử hai nhà nghiên cứu sử dụng 3 biến giống nhau và 250 quan sát giống
nhau trên mỗi biến để ước lượng một VAR. Một người ước tính VAR(6), trong
khi người kia ước tính VAR(4). Các yếu tố quyết định của ma trận phương sai-
hiệp phương sai của phần dư cho mỗi VAR lần lượt là 0,0036 và 0,0049. Các giá
trị của thống kê kiểm tra để thực hiện kiểm tra xem VAR(6) có thể bị giới hạn ở
VAR(4) hay không?
a. 77,07
b. 0,31
c. 0,33
d. 4,87

Giải thích: Thống kê tỷ lệ khả năng sẽ được đưa ra bằng số lượng quan sát nhân với
sự khác biệt giữa log của các yếu tố quyết định ma trận phương sai hiệp phương sai
cho các mô hình bị hạn chế và không bị hạn chế. Yếu tố quyết định của ma trận
phương sai-hiệp phương sai cho mô hình hạn chế (VAR(4)) sẽ lớn hơn trong hai yếu
tố. Do đó, phép tính là LR = 250 x [log(0,0049) – log(0,0036)] = 77,07.

14. Xem xét lại các VAR đã được thảo luận trong câu hỏi 13. Số bậc tự do cho giá
trị tới hạn để kiểm tra giới hạn là bao nhiêu?
a. 3
b. 6
c. 9
d. 18

Giải thích: Giá trị tới hạn sẽ là chi bình phương, với bậc tự do bằng tổng số hạn chế
được đặt trên tất cả các phương trình. Trong ký hiệu được sử dụng trong các bài
giảng, df sẽ được tính bằng bình phương của số biến trong hệ thống (3 bình phương),
nhân với số độ trễ bị giới hạn (2). Nói cách khác, tổng cộng sẽ có 2 độ trễ của mỗi
trong số 3 biến bị hạn chế trong mỗi 3 phương trình = 18 hạn chế. Giá trị tới hạn từ
bảng chi bình phương là 31,5 ở mức 1% để hạn chế này rõ ràng không được dữ liệu
hỗ trợ. Chúng tôi sẽ kết luận rằng tốt hơn là ước tính VAR(6).

15. Giả sử bây giờ một nhà nghiên cứu muốn sử dụng tiêu chí thông tin để xác
định độ dài trễ tối ưu cho VAR. 500 quan sát có sẵn cho VAR hai biến số và các
giá trị của yếu tố quyết định của ma trận phương sai hiệp phương sai của phần
dư là 0,0336, 0,0169, 0,0084 và 0,0062 cho độ trễ tương ứng là 1, 2, 3 và 4. Thứ tự
mô hình tối ưu theo tiêu chí thông tin của Akaike là gì?
a. 1 độ trễ
b. 2 độ trễ
c. 3 độ trễ
d. 4 độ trễ

Giải thích: Công thức để tính các giá trị của tiêu chí Akaike là log(det((sigma-hat)) +
2k/T, trong đó log(det((sigma-hat)) là log tự nhiên của định thức của ma trận phương
sai hiệp phương sai của phần dư, k là tổng số tham số trên cả hai phương trình và T
là số lượng quan sát (500). Nếu số độ trễ là 1, sẽ có một độ trễ của mỗi biến cộng với
một phần chặn trong mỗi phương trình, tức là có tổng cộng 6 tham số để ước tính.
Đối với 2 độ trễ, sẽ có 2 độ trễ của 2 biến cộng với hệ số chặn trong mỗi phương
trình, tức là tổng cộng 10 tham số. Đối với độ trễ 3 và 4, sẽ có 14 và 18 tham số
tương ứng. Các giá trị của tiêu chí như sau:
1 độ trễ: nhật ký (0,0336) + (2 x 6/ 500) = -3,369
2 độ trễ: log(0,0169) + (2 x 10/500) = -4,040
3 độ trễ: log(0,0084) + (2 x 14/500) = -4,724
4 độ trễ: log(0,0083) + (2 x 18/500) = -4,719
Vì tiêu chí thông tin được giảm thiểu (tức là trong trường hợp này là tiêu cực nhất) ở
3 độ trễ, đây là kích thước VAR tối ưu. Tuy nhiên, hãy lưu ý rằng có rất ít lựa chọn
giữa VAR(3) và VAR(4), chúng có nhật ký rất giống nhau về các yếu tố quyết định của
ma trận phương sai hiệp phương sai của phần dư và cũng có các giá trị rất giống
nhau của tiêu chí thông tin.
16. Xét mô hình VAR(2) hai biến sau:

Điều kiện nào sau đây phải phù hợp để nói rằng quan hệ nhân quả Granger chỉ chạy từ
y1 đến y2?
a. Hệ số b có ý nghĩa và hệ số d không có ý nghĩa
b. Hệ số d có ý nghĩa và hệ số b không có ý nghĩa
c. Hệ số a có ý nghĩa và hệ số c không có ý nghĩa
d. Hệ số c có ý nghĩa và hệ số a không có ý nghĩa

Giải thích: Câu trả lời 2 là chính xác. Đối với quan hệ nhân quả Granger chạy từ y1
đến y2 chứ không phải ngược lại hàm ý rằng các hệ số về độ trễ của y1 phải có ý
nghĩa trong phương trình của y2, nhưng các hệ số về độ trễ của y2 không có ý nghĩa
trong phương trình của y1. Do đó, hệ số d phải có ý nghĩa thống kê và hệ số b phải
không có ý nghĩa thống kê. Lưu ý rằng nó không ảnh hưởng đến sự hiện diện hay mặt
khác của quan hệ nhân quả Granger nếu các hệ số b hoặc c là đáng kể hoặc không
đáng kể.

17. Xem xét lại mô hình VAR của phương trình 16. [

] Điều kiện nào sau đây phải có

để nói rằng có phản hồi hai chiều?
a. Các hệ số b và d có ý nghĩa và các hệ số a và c không có ý nghĩa
b. Các hệ số a và c có ý nghĩa và các hệ số b và d không có ý nghĩa
c. Các hệ số a và c có ý nghĩa
d. Các hệ số b và d có ý nghĩa

Giải thích: Câu trả lời 4 là chính xác. Quan hệ nhân quả hai chiều ngụ ý rằng quan
hệ nhân quả Granger chảy theo cả hai hướng – tức là y1 gây ra y2 và y2 gây ra y1.
Điều này ngụ ý rằng cả hai hệ số b và d phải có ý nghĩa thống kê. Một lần nữa, nó
không ảnh hưởng đến sự hiện diện hay mặt khác của quan hệ nhân quả Granger nếu
các hệ số a và c có ý nghĩa hay không – điều này không liên quan.

18. Phát biểu nào sau đây là đúng khi nói về phân tích phân tách phương sai của
VAR?
(i) Phân tách phương sai đo lường tác động của cú sốc đơn vị đối với từng biến trong
VAR
(ii) Phân tách phương sai có thể được coi là đo lường tỷ lệ phương sai sai số dự báo có
thể quy cho từng biến
(iii) Thứ tự của các biến là quan trọng để tính toán các đáp ứng xung chứ không phải
để phân tách phương sai
(iv) Thông thường, hầu hết phương sai sai số dự báo đối với một biến nhất định là do
các cú sốc đối với biến đó
a. (ii) and (iv) only
b. (i) and (iii) only
c. (i), (ii), and (iii) only
d. (i), (ii), (iii), and (iv)

Giải thích: (ii) và (iv) chỉ đúng. Chính các hàm phản ứng xung đo lường tác động của
một cú sốc đơn vị đối với từng biến trong VAR, chứ không phải phân tách phương sai,
trong khi câu trả lời (ii) là định nghĩa của phân tách phương sai. Các phản ứng xung
và phân tách phương sai đưa ra những cách khác nhau để xem xét cùng một thứ về cơ
bản - biến nào là yếu tố thúc đẩy quan trọng nhất trong mỗi phương trình, do tính liên
kết của chúng trong các phương trình. Thứ tự của các biến là quan trọng trong cả
đáp ứng xung và phân rã phương sai. Điều này phát sinh trong thực tế, vì các số hạng
còn lại của VAR có khả năng tương quan với nhau, và do đó, cần phải tính toán các
đáp ứng xung “trực giao” và phân tách phương sai. Trong trường hợp hai biến,
chúng sẽ quy toàn bộ thành phần chung trong phần dư cho biến đầu tiên. Cuối cùng,
đúng là hầu hết phương sai sai số dự báo đối với một biến nhất định thường là do các
cú sốc đối với biến đó. Một cách khác để nói điều này là trong các mô hình VAR, biến
phụ thuộc thường bị ảnh hưởng mạnh hơn bởi các giá trị trễ của chính nó hơn là bởi
các giá trị trễ của các biến khác trong hệ thống.

19. Những vấn đề gì có thể phát sinh nếu các kiểm định nghiệm đơn vị tiêu chuẩn
được sử dụng khi có sự phá vỡ cấu trúc trong một chuỗi thời gian?
a. Các kiểm định có thể thiếu sức mạnh
b. Các kiểm định có thể quá khổ
c. Các kiểm định có thể không bác bỏ giả thuyết không khi nó không chính xác
d. Tất cả (a) đến (c) đều có khả năng áp dụng

Giải thích: Trên thực tế, các kiểm định nghiệm đơn vị có thể thiếu sức mạnh (nghĩa là
không thể bác bỏ giả thuyết không về nghiệm đơn vị khi nó không chính xác) và vẫn
bị quá khổ (giả thuyết khống về nghiệm đơn vị sẽ bị bác bỏ khi thực tế chuỗi có chứa
nghiệm đơn vị).
 CHƯƠNG 8
1/ Điều nào sau đây KHÔNG phải là hậu quả của việc sử dụng dữ liệu không cố
định ở dạng mức?

Trả lời: Ước tính tham số có thể bị sai lệch

Nếu dữ liệu không cố định được sử dụng ở dạng mức, có thể xảy ra hiện tượng được
gọi là "hồi quy giả". Điều này sẽ không làm cho các hệ số bị ước lượng sai (chúng vẫn
không chệch, vì vậy d sẽ không phải là hệ quả). Nhưng một vấn đề sẽ nảy sinh với độ
mạnh đo được của mối quan hệ và với các ước lượng sai số chuẩn. Nếu x và y là các
chuỗi không cố định hoàn toàn độc lập, hồi quy của y trên x có thể dẫn đến bình
phương R cao giả ( bình phương R phải bằng 0 nếu x và y không liên quan) và phân
phối thực tế của phép thử số liệu thống kê sẽ phẳng hơn nhiều (sẽ có đuôi béo hơn) so
với phân phối giả định (phân phối t - hoặc F -). Điều này có khả năng dẫn đến kết luận
không hợp lệ và đặc biệt, xác suất xảy ra lỗi loại I cao hơn mức ý nghĩa được sử dụng.

2/ Đối với một quá trình tự hồi quy đứng yên, các cú sốc sẽ:

Trả lời: Cuối cùng sẽ mất đi

Một cú sốc chỉ là một từ khác cho sự xáo trộn. Nếu một quá trình là một quá trình tự
hồi quy cố định (ví dụ: phương trình trong 2, nhưng thay thế tham số “1,5” bằng một
giá trị nào đó trong khoảng từ –1 đến +1), thì khi chuỗi được biểu diễn dưới dạng tổng
vô hạn các cú sốc trong quá khứ, chuỗi sẽ được hội tụ. Nghĩa là, những cú sốc xa hơn
trong quá khứ sẽ có tác động ít hơn đến giá trị hiện tại của y so với những cú sốc gần
đây hơn. Do đó, tác động của một cú sốc nhất định cuối cùng sẽ giảm dần về 0 khi
thời gian trôi qua đối với một quá trình tự thoái lui đứng yên.

3/ Xét mô hình sau cho y t :

Điều nào sau đây mô tả chính xác nhất quá trình cho y t ?

Trả lời: Một quá trình xu hướng xác định

Mô hình này rõ ràng là một mô hình xu hướng xác định, vì nó bao gồm thuật ngữ xu
hướng xác định “lambda t – λt”. Một quá trình như vậy sẽ có một đường thẳng nằm
bên dưới xu hướng dốc lên (xuống dưới) nếu lambda dương (âm). Rõ ràng đây không
phải là một quá trình cố định vì nó có xu hướng (trừ khi lambda = 0!). Nó cũng không
phải là một quá trình nghiệm đơn vị hay một bước đi ngẫu nhiên với độ trôi vì không
có số hạng trễ trong y ở vế phải.

4/ Nếu một dãy yt được gọi là tích phân cấp 2, mệnh đề nào sau đây KHÔNG
ĐÚNG?

(i) Nó yêu cầu khác biệt hai lần để tạo ra một chuỗi cố định

(ii) Nó chứa đúng hai nghiệm đơn vị

(iii) Nếu chuỗi khác nhau ba lần thì chuỗi kết quả sẽ dừng

(iv) Một mô hình hợp lý cho chuỗi sẽ là

Trả lời: (iv)

Nếu một chuỗi là tích phân bậc 2, thì theo định nghĩa, điều này ngụ ý rằng nó chứa
chính xác hai nghiệm đơn vị và sự khác biệt đó sẽ phải được thực hiện hai lần để có
được một quá trình dừng. Tuy nhiên, cũng có trường hợp nếu chuỗi chênh lệch nhiều
hơn hai lần (ví dụ: 3 hoặc 4 lần) thì chuỗi kết quả vẫn dừng. Điều này được gọi là
"quá khác biệt" và có thể dẫn đến một số thuộc tính không mong muốn trong chuỗi
kết quả, nhưng nó vẫn sẽ dừng. d không phải là một mô hình hợp lý cho chuỗi vì
không có giá trị nào của phi có thể được sử dụng trong phương trình này để tạo ra quá
trình I(2). Ngay cả việc đặt phi = 1 sẽ chỉ tạo ra một quy trình chứa một gốc đơn vị.
Quá trình tạo dữ liệu cho một biến I(2) sẽ phải phức tạp hơn, bao gồm độ trễ hai
khoảng thời gian và độ trễ một khoảng thời gian của y ở phía bên tay phải.

5/ Đặc điểm nào sau đây là của quá trình đứng yên?

(i) Nó thường xuyên vượt qua giá trị trung bình của nó
(ii) Nó có giá trị trung bình và phương sai không đổi

(iii) Nó không chứa thành phần xu hướng

(iv) Nó sẽ đứng yên ở dạng vi phân đầu tiên

Trả lời: (i), (ii), (iii), và (iv)

Một phần của định nghĩa về một quá trình cố định là nó có giá trị trung bình không
đổi và phương sai không đổi. Một chuỗi có giá trị trung bình không đổi cũng sẽ
thường xuyên vượt qua giá trị trung bình đó và rõ ràng sẽ không chứa xu hướng.
Ngoài ra, nếu một chuỗi đã đứng yên bị khác đi, thì chuỗi kết quả sẽ vẫn dừng. Do đó,
tất cả (i) đến (iv) đều đúng.

6/ Xét hai cách diễn đạt hồi quy kiểm định Dickey-Fuller sau:

Mà một trong những hạn chế sau đây phải giữ?

(i)

(ii)

(iii)

(iv)

Trả lời: (ii)

Cách để xác định giới hạn nào phải giữ để các phép hồi quy này trở thành phép thử
tương đương là trừ y_t-1 khỏi cả hai vế của phương trình đầu tiên. Sau đó, bạn nhận
được phi-1 làm số hạng trên giá trị trễ của y. Vì mọi thứ khác ngoại trừ số hạng này
bây giờ chính xác bằng số hạng tương ứng trong phương trình thứ hai, nên trường hợp
phi – 1 = psi, tức là (ii) phải đúng.
7/ Lưu ý rằng bảng thống kê không cần thiết để trả lời câu hỏi này. Đối với một
mẫu gồm 1000 quan sát, các giá trị thống kê của kiểm định Dickey-Fuller là:

Trả lời: Giá trị âm hơn (nghĩa là lớn hơn về giá trị tuyệt đối) ở đuôi bên trái của
phân phối chuẩn

Hãy nhớ lại rằng một trong những vấn đề với việc sử dụng dữ liệu không cố định ở
dạng mức độ là phân bố của thống kê kiểm tra t sẽ béo hơn nhiều so với trường hợp
nếu chuỗi đều dừng. Thống kê kiểm định Dickey-Fuller, được cho bởi tỷ số t từ phép
hồi quy thích hợp (ví dụ phương trình thứ hai trong câu hỏi 8), sẽ có phân phối có
đuôi béo hơn phân phối chuẩn. Kiểm định Dickey-Fuller cũng liên quan đến việc chỉ
sử dụng đuôi dưới làm vùng bác bỏ – nghĩa là chỉ bác bỏ giả thuyết khống của nghiệm
đơn vị nếu thống kê kiểm định âm hơn giá trị tới hạn (âm). Do đó, các giá trị tới hạn
thích hợp cho kiểm định DF sẽ lớn hơn về giá trị tuyệt đối (tức là âm hơn) so với giá
trị của phân phối chuẩn, ngay cả khi cỡ mẫu rất lớn.

8/ Mục đích của việc “tăng cường” hồi quy kiểm định Dickey-Fuller là để:

Trả lời: Đảm bảo rằng không có hiện tượng tự tương quan trong phần dư hồi
quy kiểm định

Phép thử Dickey-Fuller sẽ chỉ “hoạt động tốt” – nghĩa là có kích thước phù hợp với
công suất lớn hợp lý - nếu phần dư từ hồi quy phép thử là “tiếng ồn trắng”. Điều này
có nghĩa là chúng phải hoàn toàn ngẫu nhiên, và đặc biệt, chúng phải không có hiện
tượng tự tương quan. Tăng cường hồi quy kiểm tra liên quan đến việc thêm các giá trị
bị trễ của biến phụ thuộc (độ trễ của các thay đổi trong y ). Do đó, mục đích của việc
tăng hồi quy kiểm định là để loại bỏ bất kỳ hiện tượng tự tương quan nào có thể có
trong biến phụ thuộc để phần dư không bị tự tương quan. Lưu ý rằng các giá trị hệ số
về độ trễ của thay đổi trong y không được quan tâm, chúng tôi chỉ đơn giản cho phép
chúng giống như cách độ trễ có thể được sử dụng trong bất kỳ mô hình hồi quy nào để
hấp thụ cấu trúc động trong y .

9/ Giả sử tiến hành hồi quy sau

 và thống kê kiểm định lấy giá trị +3,2. Đâu là kết luận phù
hợp?

(i) y t đứng yên

(ii) y t chứa đúng một nghiệm đơn vị

(iii) y t chứa ít nhất một nghiệm đơn vị

(iv) y t chứa đúng hai nghiệm đơn vị

Trả lời: (iii)

Lý do mà bạn không cần bảng thống kê để trả lời câu hỏi này là do thống kê kiểm tra
ở rất xa vùng bác bỏ nên kết luận là không thể chối cãi! Hãy nhớ lại rằng giả thuyết vô
hiệu về căn đơn vị trong y sẽ bị bác bỏ nếu thống kê kiểm định âm hơn giá trị tới hạn.
Các giá trị tới hạn thường là khoảng –3 đối với mức ý nghĩa 5%, vì vậy rõ ràng thống
kê kiểm định sẽ nằm trong vùng không bác bỏ vì nó thậm chí không âm! Do đó, giả
thuyết không sẽ bị bác bỏ và chúng ta sẽ nói rằng y chứa một căn đơn vị. Trên thực tế,
giả thuyết không sẽ vẫn không bị bác bỏ ở đây nếu y chứa nhiều hơn một nghiệm đơn
vị, do đó, kết luận đúng đắn là y chứa ít nhất một nghiệm đơn vị. Để kiểm tra xem y
có chứa một căn đơn vị hay nhiều hơn một căn hay không, chúng ta sẽ phải “tăng
tốc”. Điều này sẽ liên quan đến việc hồi quy chênh lệch thứ hai của y theo độ trễ của
chênh lệch thứ nhất, như trong câu hỏi 11.

10/ Giả sử tiến hành hồi quy kiểm định Dickey-Fuller sau

và giá trị của thống kê kiểm định là –6.3. Đâu là kết luận phù hợp?

(i) yt đứng yên

(ii) yt chứa đúng một nghiệm đơn vị

(iii) yt chứa ít nhất một nghiệm đơn vị

(iv) yt chứa đúng hai nghiệm đơn vị

Trả lời: (i)

Một lần nữa, thống kê kiểm tra đủ cực đoan để kết luận phù hợp là hiển nhiên mà
không cần bảng thống kê. Các giá trị tới hạn đối với hồi quy kiểu Dickey-Fuller
thường ở mức –3 đối với mức ý nghĩa 5%, vì vậy rõ ràng trong trường hợp này, kết
quả là bác bỏ giả thuyết khống. Nhưng giả thuyết vô hiệu là gì? Giá trị rỗng là y có ít
nhất 2 nghiệm đơn vị. Vì trong câu hỏi đã nêu rằng phép thử này ở câu hỏi 10 được
cho là cần thiết và đang được tiến hành sau phép thử đối với một nghiệm đơn vị như ở
câu hỏi 9, nên giả thuyết thay thế sẽ là có một nghiệm đơn vị. Do đó, kết luận sẽ là
chuỗi y chứa chính xác một nghiệm đơn vị, tức là nó là I(1). Nếu trước đó chưa tiến
hành kiểm tra xem chuỗi y có phải là I(1) hay không, thì có khả năng y có thể là I(0),
tức là nó không chứa nghiệm đơn vị và do đó là dừng.

11/ Nếu hai biến x t và y t được cho là đồng liên kết, mệnh đề nào sau đây là đúng?

(i) x t và y t đều phải dừng

(ii) Chỉ có một tổ hợp tuyến tính của x t và y t là dừng

(iii) Phương trình đồng liên kết cho x t và y t mô tả mối quan hệ ngắn hạn giữa hai
chuỗi

(iv) Phần dư của hồi quy y t theo x t phải dừng

Trả lời: (ii) và (iv)

Nếu 2 biến x và y riêng lẻ I(1) thì rõ ràng chúng không thể đứng yên nên (i) sai. Mặc
dù nói chung có thể có nhiều hơn một tổ hợp tuyến tính độc lập của I(1) biến cố định,
nhưng số lượng tổ hợp đồng liên kết độc lập tuyến tính tối đa được cho bởi “ n –1”
trong đó n là tổng số biến trong phương trình hồi quy ( y và tất cả các x ' s). Vì chỉ có
hai biến ở đây ( y và x ), nên chỉ có thể có nhiều nhất một tổ hợp tuyến tính độc lập
của các biến cố định. Phương trình đồng liên kết mô tả hành vi dài hạn của chuỗi.
Điều này có thể được nhìn thấy bằng cách tính toán giải pháp cân bằng tĩnh trong dài
hạn cho mô hình sửa lỗi (ECM), điều này sẽ dẫn đến mọi thứ ngoại trừ các thuật ngữ
đồng liên kết biến mất, do đó cái sau phải mô tả mối quan hệ dài hạn. Các số hạng có
vi phân bậc nhất sẽ mô tả các mối quan hệ ngắn hạn giữa các chuỗi. Vậy (iii) sai. Cuối
cùng, theo định nghĩa, để có sự đồng liên kết giữa y và x , phần dư từ hồi quy đồng
liên kết phải dừng. Vậy (ii) và (iv) đúng.

12/ Nếu kiểm định Engle-Granger được áp dụng cho phần dư của một hồi quy
đồng liên kết có khả năng xảy ra, điều gì sẽ diễn giải giả thuyết không?

Trả lời: Các biến không đồng liên kết

Giả thuyết không đối với kiểm định Engle-Granger là phần dư từ hồi quy này là không
cố định. Trong trường hợp đó, một sự kết hợp tuyến tính cố định của các biến đã
không được tìm thấy để theo giả thuyết không, các biến không được đồng liên kết. Để
các biến được đồng liên kết, chúng tôi yêu cầu bác bỏ giả thuyết vô hiệu từ hồi quy
Engle-Granger.

13/ Xét mô hình sau cho y t :

Khẳng định nào sau đây là đúng?

(i) Số hạng gamma đo lường mối quan hệ dài hạn giữa y và x

(ii) Số hạng gamma đo lường mối quan hệ ngắn hạn giữa y và x

(iii) Các kiểm định giả thuyết không thể được thực hiện một cách hợp lệ trên các
điều khoản gamma

(iv) Các kiểm định giả thuyết không thể được thực hiện một cách hợp lệ trên các
điều khoản beta

Trả lời: (i) và (iii)

Các số hạng gamma trong phần đồng liên kết của phương trình thực sự mô tả mối
quan hệ dài hạn giữa y và x, như đã mô tả ở trên, vì chỉ những số hạng này sẽ còn lại
khi giải pháp cân bằng tĩnh dài hạn cho mô hình được tính toán. Rõ ràng, khi đó,
chúng cũng không thể mô tả mối quan hệ ngắn hạn giữa y và x. Các kiểm định giả
thuyết không thể được thực hiện một cách hợp lệ trên các số hạng gamma vì các số
hạng này sẽ được ước tính bằng cách sử dụng hồi quy đồng liên kết. Ngay cả khi phần
dư từ hồi quy này là cố định (mà chúng ta có thể giả định là do thuật ngữ này có trong
ECM), chúng có khả năng có tự tương quan dương mạnh vì hồi quy đồng liên kết là
một hồi quy hoàn toàn tĩnh. Do đó, không hợp lệ khi tiến hành kiểm định giả thuyết về
các số hạng gamma của mối quan hệ đồng liên kết. Tuy nhiên, hoàn toàn hợp lệ khi
tiến hành kiểm tra giả thuyết trên các beta vì tất cả các yếu tố gắn với một beta trong
hồi quy ECM được đưa ra trong câu hỏi đều dừng.

14/ Điều nào sau đây là nhược điểm của phương pháp Dickey-Fuller / Engle-
Granger để kiểm định sự đồng liên kết và mô hình hóa các mối quan hệ đồng liên
kết?

(i) Chỉ có thể ước tính một mối quan hệ đồng liên kết

(ii) Riêng đối với mẫu nhỏ. Có nhiều khả năng các kiểm định cho thấy rằng các
biến không được đồng liên kết khi chúng

(iii) Không thể suy luận về hồi quy đồng liên kết

(iv) Quy trình buộc nhà nghiên cứu phải xác định đâu là biến phụ thuộc và biến
nào là biến độc lập.

Trả lời: (i), (ii), (iii), và (iv)

Trên thực tế, tất cả các mục (i) đến (iv) có thể được coi là nhược điểm của phương
pháp Dickey-Fuller/Engle-Granger để kiểm định sự đồng liên kết và mô hình hóa các
mối quan hệ đồng liên kết. Cách tiếp cận Engle-Granger chỉ có thể cho phép ước
lượng một mối quan hệ đồng liên kết, ngay cả khi có nhiều hơn một mối quan hệ (xem
câu hỏi 13), và nếu chúng ta chỉ tìm một trong những mối quan hệ này, thì làm sao
chúng ta biết liệu có những mối quan hệ khác hay không và đâu là “ tốt nhất"? Các
thử nghiệm DF được biết là thiếu năng lượng trong các mẫu nhỏ. Nghĩa là, họ có xu
hướng không bác bỏ giả thuyết không khi nó sai, do đó có nguy cơ đối với các mẫu
nhỏ mà nhà nghiên cứu sẽ kết luận rằng một chuỗi có nghiệm đơn vị trong khi thực tế
nó là tĩnh. Ví dụ: nếu chuỗi tuân theo quy trình tự hồi quy bậc 1 với hệ số 0,95, rõ
ràng đây sẽ là quy trình dừng nhưng thử nghiệm DF có thể không từ chối đối với các
mẫu nhỏ. Cũng không thể tiến hành kiểm định giả thuyết (thực hiện suy luận) về các
thuật ngữ trong hồi quy đồng liên kết. Ngoài ra, lý thuyết có thể đơn giản gợi ý rằng
một tập hợp các biến có mối quan hệ lâu dài với nhau; lý thuyết đó có thể không đề
xuất biến nào trong số các biến này là biến phụ thuộc và biến nào là (các) biến được
giải thích.

15/ Sự khác biệt chính giữa phương pháp kiểm tra nghiệm đơn vị của Dickey
Fuller (DF) và Phillips-Perron (PP) là gì?

Trả lời: Phép thử PP kết hợp hiệu chỉnh tự động đối với phần dư tự tương quan
trong hồi quy phép thử

Cả hai cách tiếp cận ADF và PP đều dựa trên ước tính của một phương trình nghiệm
nghiệm đơn vị và do đó chúng không phải là phương pháp hệ thống trong đó một số
phương trình được ước tính cùng một lúc. Cả kiểm định ADF và PP đều có nghiệm
đơn vị theo giả thuyết khống, và do đó là kiểm định nghiệm đơn vị hơn là kiểm định
tính dừng. Do đó, kiểm định ADF và PP rất giống nhau – trên thực tế, điểm khác biệt
duy nhất là kiểm định PP kết hợp hiệu chỉnh tự động đối với phần dư tự tương quan
trong hồi quy kiểm định. Do đó, các thử nghiệm PP cũng có khả năng có khả năng bác
bỏ giả thuyết vô hiệu gốc đơn vị thấp trong các mẫu nhỏ.

16/ Thủ tục Engle-Yoo (EY) khắc phục những chỉ trích nào sau đây đối với
phương pháp Dickey-Fuller/Engle-Granger để xử lý các biến đồng liên kết?

Trả lời: Không thể thực hiện kiểm định về mối quan hệ đồng liên kết

Trong khi tất cả (a) đến (d) là những lời chỉ trích chính đáng đối với phương pháp
Dickey-Fuller/Engle-Granger để thử nghiệm các nghiệm đơn vị và mô hình hóa các hệ
thống đồng tích hợp, thì chỉ có (d) thực sự được giải quyết bởi Engle-Yoo. Cụ thể, EY
có tất cả các bước chung với EY để xây dựng mô hình sửa lỗi, nhưng sau đó EY bổ
sung bước thứ ba trong quy trình cung cấp ước tính cập nhật về mối quan hệ đồng liên
kết và các sai số chuẩn trong mối quan hệ này. Điều này sau đó cho phép chúng ta tiến
hành kiểm định giả thuyết một cách hợp lệ liên quan đến mối quan hệ đồng liên kết
thực tế.

17/ Các nghiệm đặc trưng của ma trận sau là gì?

Trả lời: 0 và 8

Các nghiệm được tìm bằng cách lấy định thức của (pi – lamda.I) và đặt nó bằng 0. Lấy
định thức của pi – lamda.I và đặt nó thành 0 ta được (2 – lamda)(6 – lamda) – 12 = 0.
Do đó lamda^2 – 8 lamda +12 – 12 = 0. Do đó nghiệm là 0 và số 8

18/ Hạng của ma trận số pi ở câu 17 là bao nhiêu?

Trả lời: 1

1 là câu trả lời đúng. Thứ hạng là số hàng và cột độc lập tuyến tính trong ma trận pi.
Rõ ràng ngay khi nhìn vào ma trận là cột thứ hai gấp đôi cột thứ nhất. Do đó, thứ hạng
là 1. Lưu ý rằng thứ hạng sẽ bằng 0 nếu tất cả các phần tử của ma trận đều giống nhau
- ví dụ: tất cả 2. Câu hỏi này cũng có thể được trả lời bằng cách xem xét các nghiệm
đặc trưng của ma trận pi. Các nghiệm đặc trưng này còn được gọi là giá trị riêng và
hạng của ma trận là số các giá trị riêng khác 0, trong trường hợp này là một.

19/ Một cách thích hợp để mô tả ma trận pi trong câu hỏi 17 là:

Trả lời: Một ma trận đơn lẻ

Ma trận này có thứ hạng giảm (nghĩa là nó không có thứ hạng đầy đủ) vì nó có một
giá trị riêng bằng 0 và thứ hạng của nó là 1 (nó phải có thứ hạng 2 để được mô tả là có
thứ hạng đầy đủ). Rõ ràng, nó không phải là một ma trận không, điều đó có nghĩa là
tất cả các phần tử của nó sẽ bằng không. Một ma trận với định thức khác 0 sẽ phải có
hạng đầy đủ - nghĩa là, nó sẽ phải có tất cả các giá trị riêng khác không. Định thức của
một ma trận là tích của các giá trị riêng của nó, và do đó ma trận này không có định
thức. Ma trận có hạng giảm còn được gọi là ma trận đơn, và do đó c đúng.

20/ Xét một hệ gồm 4 biến, đã áp dụng kiểm định Johansen cho kết quả như sau:

r λmax 5% Giá trị tới hạn

0 29,65 30,26

1 20,91 23,84

2 10,67 17,72

3 8,55 10.71

Trả lời: 0

Bước đầu tiên sẽ là kiểm tra giả thuyết vô hiệu về việc không có véc tơ đồng liên kết (
r = 0) đối với phương án thay thế của một véc tơ đồng liên kết. Thống kê kiểm tra có
giá trị là 29,65, thấp hơn giá trị tới hạn 5%. Do đó, chúng tôi sẽ kết luận rằng không
có vectơ đồng liên kết – tức là không có tổ hợp tuyến tính nào của 4 biến cố định và
do đó các dòng còn lại của bảng sẽ không liên quan.

21/ Nếu tiến hành kiểm định Johansen “dấu vết” cho giả thuyết khống của 2
vectơ đồng liên kết cho một hệ thống chứa 4 biến, thì giá trị riêng nào sẽ được sử
dụng trong kiểm định?

Đáp số: 2 nhỏ nhất

Thống kê vết là một phép thử chung cho sự đồng liên kết dựa trên các giá trị riêng
được sắp xếp ( r +1) cho đến p , trong đó r là số vectơ đồng liên kết theo giả thuyết
không (trong trường hợp này, p = 4) và trong đó giá trị riêng 1 là lớn nhất và giá trị
riêng p là nhỏ nhất. Thử nghiệm đầu tiên là thử nghiệm với giả thuyết vô hiệu về việc
không có vectơ đồng liên kết nào chống lại phương án thay thế lớn hơn 0 và tất cả các
giá trị riêng p sẽ được sử dụng. Sau đó, nếu giá trị không của không có vectơ đồng
liên kết nào bị từ chối, giá trị riêng lớn nhất sẽ bị loại bỏ và ba giá trị còn lại được sử
dụng để kiểm tra giá trị không của một vectơ đồng liên kết với một phương án thay
thế nhiều hơn một. Nếu null này bị từ chối, vectơ đồng liên kết lớn nhất tiếp theo sẽ bị
loại bỏ và hai vectơ còn lại được sử dụng để kiểm tra null của hai vectơ đồng liên kết
với một phương án thay thế nhiều hơn hai. Như vậy đáp án 3 là đúng.

22/ Vấn đề gì có thể phát sinh nếu thủ tục Perron (1989) cho phép phá vỡ cấu
trúc đã biết được sử dụng khi kiểm tra nghiệm đơn vị?

(i) Ngày nghỉ thực tế có thể không được biết trước và quy trình không kết hợp
phương pháp xác định ngày nghỉ

(ii) Nếu ngày nghỉ được xác định bằng cách kiểm tra dữ liệu, thì các giá trị tới
hạn mà Perron lấy được sẽ không còn phù hợp

(iii) Quy trình thử nghiệm chỉ có thể cho phép phá vỡ mức độ của chuỗi chứ
không phải tốc độ tăng trưởng của xu hướng

Trả lời: (i) và (ii)

Điểm đầu tiên là lỗ hổng chính với quy trình ban đầu mà Perron (1989) đã đề xuất để
kiểm tra nghiệm đơn vị khi có sự phá vỡ cấu trúc – cụ thể là nó giả định rằng ngày
phá vỡ đã được biết trước. Tuy nhiên, trong thực tế, có khả năng điều này sẽ không áp
dụng và ngày đó sẽ được xác định bởi nhà nghiên cứu bằng cách kiểm tra dữ liệu. Nếu
đúng như vậy, thì phân phối null của thống kê thử nghiệm sẽ bị thay đổi bởi thực tế là
nhiều ngày nghỉ có thể đã được xem xét và ngày nghỉ hợp lý nhất được chọn và do đó,
các giá trị tới hạn của thử nghiệm gốc đơn vị mà Perron rút ra sẽ không còn phù hợp.
Nhưng kiểm định có thể cho phép phá vỡ cả mức độ của chuỗi và tốc độ tăng trưởng
của xu hướng nên (iii) sai.