Chương 6

KINH TẾ LƯỢNG
Chương 6: Kiểm định lựa chọn mô hình
ĐINH NGUYỄN DUY HẢI
haidnd@hub.edu.vn
TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HCM.
Ngày 21 tháng 10 năm 2023
ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

1 /NGÂN
45 HÀNG TP. HCM.
Chương 6: Kiểm định lựa chọn mô hình
Các phân tích suy diễn dựa trên các giả thiết OLS
Nếu các giả thiết không được thỏa mãn thì các tính chất có
thể bị ảnh hưởng, các suy diễn có thể sai
Để đảm bảo việc sử dụng các ước lượng là đúng đắn, cần
đánh giá mô hình qua các kiểm định về các giả thuyết

2 /NGÂN
45 HÀNG TP. HCM.
Nội dung
1 Cơ sở đánh giá lựa chọn

2 Kỳ vọng sai số ngẫu nhiên khác 0
3 Phương sai sai số thay đổi
4 Tự tương quan
5 Đa cộng tuyến
6 Sai số ngẫu nhiên không tuân theo quy luật chuẩn
7 Lựa chọn mô hình

3 /NGÂN
45 HÀNG TP. HCM.
6.1. Cơ sở đánh giá
Mô hình gốc Y = β1 + β2 X2 + β3 X3 + u
Về mặt lý thuyết kinh tế:
Biến độc lập có ý nghĩa, có trong lý thuyết
Dạng hàm phù hợp lý thuyết
Dấu hệ số phù hợp lý thuyết

4 /NGÂN
45 HÀNG TP. HCM.
Về mặt thống kê: ước lượng là không chệch, hiệu quả và phân
tích suy diễn được. Trong phương pháp OLS, những giả thiết
sau được sử dụng:
Kỳ vọng sai số ngẫu nhiên bằng 0, nghĩa là: E (u|X ) = 0.
Phương sai sai số ngẫu nhiên không đổi, nghĩa là:
Var (u|X ) = σ 2 .
Không có quan hệ cộng tuyến.
Sai số có phân phối chuẩn.

5 /NGÂN
45 HÀNG TP. HCM.
6.2. Kỳ vọng sai số ngẫu nhiên khác 0
Xét mô hình gốc: Y = β1 + β2 X2 + β3 X3 + u

Trong OLS, ta cần giả thiết: E (u|X2 , X3 ) = 0. Điều này dẫn
đến E (u) = 0 và Cov (Xj , u) = 0
Nếu giả thiết bị vi phạm, ước lượng không còn là không chệch

6 /NGÂN
45 HÀNG TP. HCM.
Nguyên nhân
Mô hình thiếu biến giải thích quan trọng
Dạng hàm sai
Tính tác động đồng thời của số liệu
Sai số đo lường của các biến độc lập
Hậu quả
Ước lượng OLS là ước lượng chệch
Các suy diễn không đáng tin cậy

7 /NGÂN
45 HÀNG TP. HCM.
Mô hình đủ biến: Y = β1 + β2 X2 + β3 X3 + u
Mô hình thiếu biến: Y = β1 + β2 X2 + u
Dùng MH thiếu biến thì ước lượng β2 bị chệch

8 /NGÂN
45 HÀNG TP. HCM.
Phát hiện mô hình bỏ sót biến
Nếu số liệu có sẵn các biến: đưa vào và kiểm định F
Nếu không có sẵn các biến: dựa trên các biến có sẵn, các biến
được tạo ra từ kết quả ước lượng để đưa vào mô hình:
Các biến bậc cao của biến có sẵn
Các biến căn, nghịch đảo (phù hợp lý thuyết)
Từ ước lượng biến phụ thuộc

9 /NGÂN
45 HÀNG TP. HCM.
Kiểm định Ramsey (RESET)
Kiểm định chung về dạng hàm sai
Xét mô hình: Y = β1 + β2 X2 + β3 X3 + u (old)
Bước 1. Ước lượng mô hình gốc tìm được Yb (gọi là mô hình
cũ)
Bước 2. Ước lượng mô hình mới bằng cách đưa thêm mô hình
cũ vào các biến Yb 2 , Yb 3 ,...
Y = β1 + β2 X2 + β3 X3 + α1 Yb 2 + . . . + αm Yb m+1 + u (new)
Bước 3. Kiểm định giả thuyết H0 : Không bỏ sót biến giải

thích, nghĩa là
H0 : α1 = ... = αm = 0.
Tiêu chuẩn kiểm định

2 2
(Rnew − Rold )/m
F = 2
.
(1 − Rnew )/(n − knew )
Nếu F > Fα (m, n − knew ) thì bác bỏ H0 .

10 NGÂN
/ 45 HÀNG TP. HCM.
Một số biện pháp khắc phục
Nếu thiếu biến: thêm biến độc lập
Nếu dạng hàm sai: đổi dạng hàm
Dùng biến đại diện (proxy ): Nếu thiếu biến Z nhưng có Z ∗
mà Z ∗ thỏa mãn: tương quan với Z và đại diện được cho Z
thì dùng Z ∗ để thay thế
Sử dụng biến công cụ (instrumental variable)

11 NGÂN
/ 45 HÀNG TP. HCM.
6.3. Phương sai sai số thay đổi
Mô hình: Y = β1 + β2 X2 + β3 X3 + u
Trong OLS, ta cần giả thiết: Phương sai sai số ngẫu nhiên
không đổi (homoscedasticity )
Var (ui |X2i , X3i ) = E (ui2 ) = σ 2
Nếu giả thiết bị vi phạm:
Var (ui |X2i , X3i ) = E (ui2 ) = σi2 (thay đổi theo từng quan sát một),
thì mô hình có phương sai sai số (PSSS) thay đổi

(heteroskedasticity )

12 NGÂN
/ 45 HÀNG TP. HCM.
Nguyên nhân và hậu quả của PSSS thay đổi
Nguyên nhân:
Do bản chất mối quan hệ trong kinh tế chứa đựng hiện tượng
này
Thiếu biến quan trọng
Dạng hàm sai
Do con người học được hành vi trong quá khứ
...
Hậu quả:
Các ước lượng OLS vẫn là ước lượng tuyến tính, không chệch
nhưng không phải là ước lượng hiệu quả
Ước lượng của phương sai bị chệch. Do đó, các kiểm định
Student và Fisher không còn đáng tin cậy nữa
Kết quả dự báo không hiệu quả khi sử dụng các ước lượng
OLS

13 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định phát hiện PSSS thay đổi
Thường dùng hai cách để phát hiện
Dùng hình vẽ
Dùng các kiểm định

14 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định BG (Breusch-Godfrey)
Mô hình ban đầu: Yi = β1 + β2 X2i + β3 X3i + ui (1)
Dùng OLS thu được phần dư ei
Ước lượng mô hình phụ và kiểm định cặp giả thuyết
ei2 = α1 + α2 X2i + α3 X3i + vi (P)

H0 : α2 = α3 = 0; H1 : α22 + α32 ̸= 0
Cách 1.
2
R(hồi quy phụ)
/(k−1)
Tính F = (1−R 2 )/(n−k)
(hồi quy phụ)
Nếu F > Fα (k − 1, n − k) thì bác bỏ giả thuyết H0

Cách 2.
2
Nếu nR(hồi quy phụ)
> χ2α (k − 1) thì bác bỏ giả thuyết H0
Cách 3.
Với α cho trước, nếu p-value < α thì bác bỏ giả thuyết H0

15 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định White
Mô hình ban đầu: Yi = β1 + β2 X2i + β3 X3i + ui (1)
Dùng OLS thu được phần dư ei
Ước lượng mô hình phụ và kiểm định cặp giả thuyết
ei2 = α1 + α2 X2i + α3 X3i + α4 X2i2 + α5 X3i2 + α6 X2i X3i + vi (P)
H0 : không có hiện tượng phương sai thay đổi
H1 : có hiện tượng phương sai thay đổi
Cách 1.
Với α cho trước ta tìm được: χ2α (k − 1) (tra bảng phân phối
chi bình phương)
2
Nếu nR(hồi > χ2α (k − 1) thì bác bỏ giả thuyết H0
quy phụ)
Cách 2.
Dựa vào bảng kiểm định White bằng phần mềm Eviews ta có
được: p-value = P(χ2α (k − 1))
16 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định Park
Do σi2 chưa biết nên Park đề nghị dùng ei2 (được tính từ hồi quy
gốc) thay cho σi2 và ước lượng hồi quy sau
ln ei2 = β1 + β2 ln Xi + vi
Giả thuyết:
H0 : β2 = 0 (không có hiện tượng phương sai thay đổi)
H1 : β2 ̸= 0 (có hiện tượng phương sai thay đổi)
Cách 1.
Tính t = β2b
b
se(β2 )
Với α cho trước ta tìm được: tα/2 (n − 2)
Nếu |t| > tα/2 (n − 2) thì bác bỏ giả thuyết H0
Cách 2.
Dựa vào bảng kiểmđịnh Park bằng phần mềm Eviews ta có
βb2
được: p-value = P |t| > b se(β2 )
17 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định Glejser
Tương tự như kiểm định Park, sau khi thu được các phần dư ei2 ,
Gleiser đề nghị dùng
|ei | = β1 + β2 Gi + vi ,
√ 1
trong đó: Gi = Xi hoặc Gi = Xi hoặc Gi = hoặc Gi = √1
Xi Xi
Giả thuyết:
H0 : không có hiện tượng phương sai thay đổi
H1 : có hiện tượng phương sai thay đổi
Cách 1.
Với α cho trước ta tìm được: χ2α (k − 1) (tra bảng phân phối
chi bình phương)
Nếu nR 2 > χ2α (k − 1) thì bác bỏ giả thuyết H0
Cách 2.
Dựa vào bảng kiểm định White bằng phần mềm Eviews ta có
được: p-value = P(χ2α (k − 1))
18 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.3(a): Y phụ thuộc K, L

19 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.3(a): Kiểm định BPG

20 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.3(a): Kiểm định White

21 NGÂN
/ 45 HÀNG TP. HCM.
Khắc phục PSSS thay đổi
Phương pháp bình phương nhỏ nhất tổng quát GLS

Mô hình gốc: Yi = β1 + β2 X2i + β3 X3i + ui (1)
Có PSSS thay đổi: Var (ui ) = σi2
Giả sử biết phương sai sai số σi2
Chia hai vế của (1) cho σi :
Yi 1 X2i X3i ui
= β1 . + β2 . + β3 . + (2)
σi σi σi σi σi
Yi∗ = β1 X0i + β2 X2i∗ + β3 X3i∗ + ui∗
Mô hình (2) có phương sai Var (ui∗ ) = 1

22 NGÂN
/ 45 HÀNG TP. HCM.
Khắc phục PSSS thay đổi (tt)
Thực tế không biết σi2

Giả sử biết dạng nguyên nhân thay đổi của nó
Nếu nguyên nhân là X2i , có dạng: Var (ui ) = σ 2 X2i2
Chia hai vế của mô hình (1) cho X2i :
Yi 1 X3i ui
= β1 . + β2 + β3 . + (3)
X2i X2i X2i X2i
Yi∗ = β1 X0i + β2 + β3 X3i∗ + ui∗
Lưu ý về hệ số chặn
Cho rằng yếu tố nào gây thay đổi: chia cho căn của nó

23 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.3(b): GLS chia cho L

24 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.3(c): GLS chia cho K

25 NGÂN
/ 45 HÀNG TP. HCM.
6.4. Tự tương quan
6.4.1. Nguyên nhân
(a) Một số nguyên nhân khách quan
Quán tính: Các chuỗi thời gian như: tổng sản lượng, chỉ số giá,
thất nghiệp. . . mang tính chu kỳ. Khi đó các quan sát kế tiếp
có nhiều khả năng phụ thuộc vào nhau
Hiện tượng mạng nhện: là hiện tượng một biến cần một thời
gian trễ để phản ứng lại với sự thay đổi của biến khác
Các độ trễ : Trong chuỗi thời gian, ta gặp hiện tượng biến phụ
thuộc ở thời kỳ t phụ thuộc vào chính nó ở thời kỳ t − 1 và
các biến khác. Ví dụ:
Yt = β1 + β2 Xt + Yt−1 + ut
(b) Một số nguyên nhân chủ quan

Xử lý số liệu: do việc "làm trơn" số liệu dẫn đến loại bỏ những
quan sát "gai góc"
Sai lệch do mô hình: Bỏ sót biến, dạng hàm sai

26 NGÂN
/ 45 HÀNG TP. HCM.
6.4.2. Hậu quả
Các ước lượng OLS vẫn là ước lượng tuyến tính, không chệch
nhưng không còn hiệu quả nữa
Ước lượng của phương sai bị chệch nên kiểm định t và F
không hiệu quả nữa
Thường R 2 được ước lượng khá cao so với giá trị thực
Sai số chuẩn của các giá trị dự báo không còn tin cậy nữa
6.4.3. Phát hiện tự tương quan
Phương pháp đồ thị: Ta vẽ đồ thị của phần dư ei theo ei−1 .
Nếu ei đồng biến theo ei−1 , thì ta kết luận có hiện tự tương
quan
Dùng phương pháp kiểm định

27 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định BG (Breusch-Godfrey)
Mô hình ban đầu: Yi = β1 + β2 Xi + ui

Ước lượng mô hình:
ui = β1 + β2 Xi + ρ1 ui−1 + ρ2 ui−2 + ... + ρp ui−p + vi
Từ kết quả của ước lượng ta tính được R 2

Với giả thuyết H0 : ρ1 = ρ2 = ... = ρp = 0 (không có tự
tương quan bậc p)
Cách 1.
Với n đủ lớn, ta có (n − p)R 2 ∼ χ2α (p)
Nếu (n − p)R 2 > χ2α (p) thì bác bỏ giả thuyết H0
Cách 2.

28 NGÂN
/ 45 HÀNG TP. HCM.
Kiểm định d của Durbin - Watson
(a) Trường hợp tự tương quan bậc nhất (với n và k − 1, tra bảng
thống kê d ta tìm được dU và dL ):
Nếu 0 < d < dL , ta có tự tương quan dương
Nếu dL < d < dU hoặc (4 − dU ) < d < (4 − dL ), ta không đủ
chứng cứ để kết luận
Nếu dU < d < 4 − dU , ta không có tự tương quan
Nếu 4 − dL < d < 4, ta có tự tương quan âm
(b) Trường hợp khác, người ta sử dụng quy tắc sau:
Nếu 0 < d < 1, ta có tự tương quan dương
Nếu 1 < d < 3, ta không có tự tương quan
Nếu 3 < d < 4, ta có tự tương quan âm

29 NGÂN
/ 45 HÀNG TP. HCM.
6.5. Hiện tượng đa cộng tuyến
Mô hình: Y = β1 + β2 X2 + . . . + βk Xk + u (1)
Giả thiết 4: Không được có quan hệ đa cộng tuyến hoàn hảo
(perfect multicollinearity )
Không tồn tại việc 1 biến (giả sử Xk ) phụ thuộc tuyến tính
các biến còn lại:
Xk = α1 + α2 X2 + . . . + αk−1 Xk−1
Nếu có đa cộng tuyến hoàn hảo thì không ước lượng được các
hệ số hồi quy và các sai số tiêu chuẩn là rất lớn
Đa cộng tuyến không hoàn hảo nhưng “cao” (imperfect but
high multicollinearity )

30 NGÂN
/ 45 HÀNG TP. HCM.
Đa cộng tuyến cao
Một biến độc lập (giả sử Xk ) phụ thuộc các biến còn lại với
mức độ cao
Xk = α1 + α2 X2 + . . . + αk−1 Xk−1 + v
Có hệ số xác định RX2 k là gần 1

31 NGÂN
/ 45 HÀNG TP. HCM.
6.5.1. Nguyên nhân và hậu quả của đa cộng tuyến
(xem giáo trình)
Nguyên nhân
Bản chất mối quan hệ giữa các hệ số
Mô hình dạng đa thức
Mẫu không mang tính đại diện
...

32 NGÂN
/ 45 HÀNG TP. HCM.
6.5.1. Nguyên nhân và hậu quả của đa cộng tuyến
(xem giáo trình)
Nguyên nhân
Bản chất mối quan hệ giữa các hệ số
Mô hình dạng đa thức
Mẫu không mang tính đại diện
...
Hậu quả
Phương sai và hiệp phương sai lớn
Khoảng tin cậy rộng hơn
Giá trị thống kê t mất ý nghĩa
R 2 cao nhưng tỉ số ít ý nghĩa
Dấu của các ước lượng của hệ số hồi quy có thể sai
...
32 NGÂN
/ 45 HÀNG TP. HCM.
6.5.2. Phát hiện ra sự tồn tại của đa cộng tuyến
Cách 1. Hệ số R 2 lớn nhưng tỷ số t nhỏ

Trong trường hợp R 2 cao (thường R 2 > 0, 8) mà tỷ số t thấp
thì đó chính là dấu hiệu của hiện tượng đa cộng tuyến
Nhược điểm: Chỉ thể hiện rõ khi có đa cộng tuyến ở mức độ
cao

33 NGÂN
/ 45 HÀNG TP. HCM.
6.5.2. Phát hiện ra sự tồn tại của đa cộng tuyến
Cách 1. Hệ số R 2 lớn nhưng tỷ số t nhỏ

Trong trường hợp R 2 cao (thường R 2 > 0, 8) mà tỷ số t thấp
thì đó chính là dấu hiệu của hiện tượng đa cộng tuyến
Nhược điểm: Chỉ thể hiện rõ khi có đa cộng tuyến ở mức độ
cao
Cách 2. Hệ số tương quan giữa các cặp biến giải thích cao
Theo Kennedy, nếu hệ số tương quan từ 0,8 trở lên thì đa
cộng tuyến trở nên nghiêm trọng
Nếu các hệ số tương quan nhỏ thì chưa biết có đa cộng tuyến
hay không

33 NGÂN
/ 45 HÀNG TP. HCM.
6.5.2. Phát hiện ra sự tồn tại của đa cộng tuyến (tt)
Cách 3. Dùng mô hình hồi quy phụ (hồi quy của mỗi biến độc lập
theo các biến độc lập còn lại)
Kiểm định giả thuyết
H0 : Rj2 = 0 (Mô hình không có đa cộng tuyến)
H1 : Rj2 ̸= 0 (Mô hình có đa cộng tuyến)
Rj2 /(kp −1)
Sử dụng thống kê F = (1−Rj2 )/(n−kp )
Nếu F > Fα (kp − 1, n − kp ) thì bác bỏ H0
Hoặc sử dụng: nếu p-value < α thì bác bỏ H0

34 NGÂN
/ 45 HÀNG TP. HCM.
6.5.2. Phát hiện ra sự tồn tại của đa cộng tuyến (tt)
Cách 3. Dùng mô hình hồi quy phụ (hồi quy của mỗi biến độc lập
theo các biến độc lập còn lại)
Kiểm định giả thuyết
H0 : Rj2 = 0 (Mô hình không có đa cộng tuyến)
H1 : Rj2 ̸= 0 (Mô hình có đa cộng tuyến)
Rj2 /(kp −1)
Sử dụng thống kê F = (1−Rj2 )/(n−kp )
Nếu F > Fα (kp − 1, n − kp ) thì bác bỏ H0
Hoặc sử dụng: nếu p-value < α thì bác bỏ H0
Cách 4. Dùng nhân tử phóng đại phương sai (VIF)
1
VIFj =
1 − Rj2
Trong đó Rj2 là hệ số xác định của mô hình hồi quy phụ

Nếu VIFj > 10 thì Xj có đa cộng tuyến cao với các biến giải
thích khác
34 NGÂN
/ 45 HÀNG TP. HCM.
6.5.3. Khắc phục
Nếu có hiện tượng ĐCT nhưng không làm mất ý nghĩa hệ số,
không thay đổi dấu thì ta có thể bỏ qua
Nếu biến cần quan tâm không cộng tuyến với biến khác,
không bị ảnh hưởng thì ta có thể bỏ qua
Nếu ĐCT cao gây ảnh hưởng thì ta có thể
tăng kích thước mẫu, hoặc
sử dụng thông tin ràng buộc để thu hẹp mô hình, hoặc
bỏ bớt biến
...

35 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5
Y: sản lượng, K: chi phí vốn, L: chi phí lao động, M: chi phí
quản lý và chi phí khác, TC: tổng chi phí
Ma trận hệ số tương quan
Không thể hồi quy Y theo K, L, M, TC cùng lúc

36 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5(a)

37 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5(a): Hồi quy phụ (i) và (ii)

38 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5(b): Mô hình (b) và hồi quy phụ (iii)

39 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5(c): Đổi dạng hàm

40 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ 6.5(c): Hồi quy phụ (iv) và (v)

41 NGÂN
/ 45 HÀNG TP. HCM.
6.6. Sai số không phân phối chuẩn (xem giáo trình)
Giả thiết 5: Sai số có phân phối chuẩn

Nếu giả thiết không được thỏa mãn thì các suy diễn dùng
thống kê t, F có thể sai
Tuy nhiên nếu số quan sát lớn thì có thể bỏ qua giả thiết này
Dùng kiểm định Jacques- Berra (JB) đối với phần dư e
H0 : sai số ngẫu nhiên phân phối Chuẩn
H1 : sai số ngẫu nhiên không phân phối Chuẩn

42 NGÂN
/ 45 HÀNG TP. HCM.
6.6. Sai số không phân phối chuẩn (tt)
Dấu hiệu: Đồ thị có các hiện tượng sau

Lệch phải hoặc lệch trái
Bị cắt cụt một phía
Miền giá trị rời rạc hoặc bị chặn
Khắc phục:
Tăng kích thước mẫu. Bởi vì không có quy chuẩn kích thước
mẫu như thế nào là lớn, nên kích thước mẫu càng lớn càng tốt
Hoặc lấy log của biến phụ thuộc để làm cho phân phối biến
phụ thuộc xấp xỉ chuẩn

43 NGÂN
/ 45 HÀNG TP. HCM.
Ví dụ. Y phụ thuộc K, L
Kiểm định dựa trên phần dư

44 NGÂN
/ 45 HÀNG TP. HCM.
6.7. Lựa chọn mô hình (xem giáo trình)

45 NGÂN
/ 45 HÀNG TP. HCM.

Chương 6

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chương 6

Uploaded by

Copyright:

Available Formats

KINH TẾ LƯỢNG

Chương 6: Kiểm định lựa chọn mô hình

ĐINH NGUYỄN DUY HẢI

TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP. HCM.

Ngày 21 tháng 10 năm 2023

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

1 Cơ sở đánh giá lựa chọn

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Xét mô hình gốc: Y = β1 + β2 X2 + β3 X3 + u

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Bước 3. Kiểm định giả thuyết H0 : Không bỏ sót biến giải

Tiêu chuẩn kiểm định

Nếu F > Fα (m, n − knew ) thì bác bỏ H0 .

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Var (ui |X2i , X3i ) = E (ui2 ) = σ 2

Nếu giả thiết bị vi phạm:

thì mô hình có phương sai sai số (PSSS) thay đổi

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ei2 = α1 + α2 X2i + α3 X3i + vi (P)

Nếu F > Fα (k − 1, n − k) thì bác bỏ giả thuyết H0

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Phương pháp bình phương nhỏ nhất tổng quát GLS

Mô hình (2) có phương sai Var (ui∗ ) = 1

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Thực tế không biết σi2

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

(b) Một số nguyên nhân chủ quan

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Mô hình ban đầu: Yi = β1 + β2 Xi + ui

ui = β1 + β2 Xi + ρ1 ui−1 + ρ2 ui−2 + ... + ρp ui−p + vi

Từ kết quả của ước lượng ta tính được R 2

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Có hệ số xác định RX2 k là gần 1

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Cách 1. Hệ số R 2 lớn nhưng tỷ số t nhỏ

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Cách 1. Hệ số R 2 lớn nhưng tỷ số t nhỏ

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Trong đó Rj2 là hệ số xác định của mô hình hồi quy phụ

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

Không thể hồi quy Y theo K, L, M, TC cùng lúc

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC

ĐINH NGUYỄN DUY HẢI haidnd@hub.edu.vn TRƯỜNG ĐẠI HỌC