CHƯƠNG 7

HIỆN TƯỢNG PHƯƠNG SAI

CỦA SAI SỐ (SỐ DƯ) THAY ĐỔI
(HETEROSCEDASTICITY)
 PHƯƠNG SAI THAY ĐỔI

1. Hiểu bản chất và hậu quả của

phương sai sai số thay đổi
MỤC
TIÊU 2. Biết cách phát hiện phương sai
sai số thay đổi và biện pháp
khắc phục

2
 NỘI DUNG

1 Bản chất hiện tượng phương sai sai số thay đổi

2 Hậu quả

3 Cách phát hiện phương sai sai số thay đổi

3
 7.1 Bản chất
• Xét ví dụ mô hình hồi qui 2 biến trong đó biến
phụ thuộc Y là tiết kiệm của hộ gia đình và
biến giải thích X là thu nhập khả dụng của hộ
gia đình

4
 7.1 Bản chất
Y Y

(a) (b)

0 X 0 X
X1 X2 Xn X1 X2 Xn
Hình 7.1: (a) Phương sai của sai số không đổi và (b) Phương sai của sai số thay đổi

5
 7.1 Bản chất
• Hình 7.1a cho thấy tiết kiệm trung bình có
khuynh hướng tăng theo thu nhập. Tuy nhiên
mức độ dao động giữa tiết kiệm của từng hộ
gia đình so với mức tiết kiệm trung bình không
thay đổi tại mọi mức thu nhập.
• Đây là trường hợp của phương sai sai số
(nhiễu) không đổi, hay phương sai bằng nhau.
E(ui2) = 2

6
 7.1 Bản chất
• Trong hình 7.1b, mức độ dao động giữa tiết
kiệm của từng hộ gia đình so với mức tiết
kiệm trung bình thay đổi theo thu nhập. Đây
là trường hợp phương sai của sai số thay đổi.
E(ui2) = i2

7
 Giải thích
• Những người có thu nhập cao, nhìn chung, sẽ
tiết kiệm nhiều hơn so với người có thu nhập
thấp nhưng sự biến động của tiết kiệm sẽ cao
hơn.
• Đối với người có thu nhập thấp, họ chỉ còn để
lại một ít thu nhập để tiết kiệm.
• Phương sai sai số của những hộ gia đình có
thu nhập cao có thể lớn hơn của những hộ có
thu nhập thấp.

8
 7.1 Nguyên nhân của phương sai thay đổi

• Do tích lũy kinh nghiệm mà sai số theo thời gian ngày

càng giảm
• Do bản chất của hiện tượng kinh tế
• Công cụ về thu thập xử lý số liệu cải thiện dẫn đến sai
số đo lường và tính toán giảm
• Trong mẫu có các outlier (giá trị rất nhỏ hoặc rất lớn
so với các giá trị quan sát khác)
• Mô hình hồi quy không đúng (dạng hàm sai, thiếu
biến quan trọng, chuyển đổi dữ liệu không đúng)

9
 7.1 Nguyên nhân của phương sai thay đổi

• Hiện tượng khi thu thập số liệu chéo phương

sai thay đổi thường gặp (theo không gian). VD
khảo sát doanh thu, chi phí quảng cáo của các
công ty khác nhau trong cùng lĩnh vực kinh
doanh. Do quy mô, thương hiệu các công ty
khác nhau nên doanh thu của các công ty có
quy mô khác nhau ứng với mức chi quảng cáo
sẽ biến động khác nhau.

10
 7.1 Hậu quả của phương sai thay đổi

1. Ước lượng OLS vẫn tuyến tính, không

chệch
2. Tuy nhiên, chúng sẽ không còn có phương
sai nhỏ nhất nữa, nghĩa là, chúng sẽ không
còn hiệu quả nữa.
3. Ước lượng phương sai của ước lượng OLS,
nhìn chung, sẽ bị chệch.

11
 7.1 Hậu quả của phương sai thay đổi

5. Do đó, các khoảng tin cậy và kiểm định giả

thuyết thông thường dựa trên phân phối t và
F sẽ không còn đáng tin cậy nữa. Do vậy,
nếu chúng ta áp dụng các kỹ thuật kiểm định
giả thuyết thông thường sẽ cho ra kết quả sai.
Chẳng hạn thống kê t xác định bởi công thức

ˆ
2  2 *
t
SE ( ˆ2 )
12
 7.1 Hậu quả của phương sai thay đổi

Do sử dụng ước lượng của SE (  ( ˆi )

lài ) SEnên
không đảm bảo t tuân theo quy luật phân
phối t-student =>kết quả kiểm định không
còn tin cậy
6. Kết quả dự báo không còn hiệu quả nữa khi
sử dụng các ước lượng OLS có phương sai
không nhỏ nhất.

13
 7.2 Phương pháp phát hiện phương sai thay đổi

Phương pháp định tính

1. Dựa vào bản chất vấn đề nghiên cứu
2. Xem xét đồ thị của phần dư
Phương pháp định lượng
1. Kiểm định Park
2. Kiểm định Glejser
3. Kiểm định Goldfeld – Quandt
4. Kiểm định White

14
 1. Dựa vào bản chất vấn đề nghiên cứu

VD: nghiên cứu quan hệ giữa chi tiêu tiêu dùng

so với thu nhập, phương sai phần dư của chi
tiêu tiêu dùng có xu hướng tăng theo thu
nhập. Do đó đối với các mẫu điều tra tương
tự, người ta có khuynh hướng giả định
phương sai của nhiễu thay đổi

15
 2. Xem xét đồ thị của phần dư

Biến 

phụ     
  
thuộc
   

Đường hồi qui ước lượng
   
      
    
     
    
  


Biến độc lập

16
 2. Xem xét đồ thị của phần dư
u u

Hình a cho 
Hình b,c,d
thấy     


cho
biến đổi  

     


   

 



  
thấy các
        
của các          


 



 
 ei2 thay
           
e i2       đổi khi
  
không    Y tăng
 
có tính 
Y
hệ Y
(a)
thống u (b)

 
        
         
        
            
   
        
        
      
      
   
    
Y Y
(c) (d)

17
 3. Kiểm định Park
• Park cho rằng i2 là một hàm số nào đó của
biến giải thích X
i2 = B1 + B2ln|Xi |+ vi trong đó vi là
phần sai số ngẫu nhiên.
• Vì i2 chưa biết, Park đề nghị sử dụng lnei2
thay cho i2 và chạy mô hình hồi qui sau
lnei2 = B1 + B2 ln|Xi|+ vi (*)
ei2 được thu thập từ mô hình hồi qui gốc

18
 3. Kiểm định Park
• Các bước của kiểm định Park:
1)Chạy hàm hồi qui gốc Yi = 1 + 2Xi + Ui
Yˆ
2) Từ hàm hồi qui, tính , phần
i dư ei và lnei2
3. Chạy hàm hồi qui (*), sử dụng biến giải thích
của hàm hồi qui ban đầu. Nếu có nhiều biến
giải thích, chạy hồi qui cho từng biến giải
thích đó. Hay, chạy hồi qui mô hình với biến
giải thích là
Yˆi

19
 3. Kiểm định Park

4) Kiểm định giả thuyết H0: β2 = 0,tức, không có

phương sai của sai số thay đổi. Nếu giả thuyết
H0 bị bác bỏ, mô hình gốc có phương sai của
sai số thay đổi.
5) Nếu giả thuyết H0 được chấp nhận, B1 trong
mô hình (*) có thể được xem là giá trị chung
của phương sai của sai số không đổi, 2.

20
 4. Kiểm định Glejser
• Tương tự như kiểm định Park: Sau khi thu thập
được phần dư từ mô hình hồi qui gốc, Glejser
đề nghị chạy hồi qui | ei | theo biến X nào mà
có quan hệ chặt chẽ với i2.
• Glejser đề xuất một số dạng hàm hồi qui sau:
|ei| = B1 + B2Xi + vi

ei = B1 + B2 X i + vi
1
ei = B1 + B2 + vi
Xi
21
 4. Kiểm định Glejser
1
ei = B1 + B2 + vi
Xi

ei = B1 + B2 X i + vi

ei = B1 + B2 X i2 + vi

• Nếu giả thuyết H0: β2 = 0 bị bác bỏ thì có thể

có hiện tượng phương sai sai số thay đổi.

22
 4. Kiểm định Glejser
• Kiểm định Glejser có một số vấn đề như kiểm
định Park như sai số vi trong các mô hình hồi qui
có giá trị kỳ vọng khác không, nó có tương quan
chuỗi.
– 4 mô hình đầu cho kết quả tốt khi sử dụng
OLS
– 2 mô hình sau (phi tuyến tính tham số) không
sử dụng OLS được
• Do vậy, kiểm định Glejser được dùng để chẩn
đoán đối với những mẫu lớn.
23
 5. Kiểm định Goldfeld - Quandt
• Xét mô hình hồi qui sau:
Yi = 1 + 2Xi + ui
Giả sử i2 có quan hệ dương với biến X theo
cách sau:
i2 = 2Xi2 trong đó 2 là hằng số.
• Các bước thực hiện kiểm định Goldfeld -
Quandt như sau:
1. Sắp xếp các quan sát theo thứ tự tăng dần về
giá trị của biến X.
24
 5. Kiểm định Goldfeld - Quandt

2. Bỏ qua quan sát ở giữa theo cách sau:

Đối với mô hình 2 biến:
c = 4 nếu cỡ mẫu khoảng n = 30;
c = 10 nếu cỡ mẫu khoảng n = 60.
và chia số quan sát còn lại thành 2 nhóm,
trong đó mỗi nhóm có (n – c)/2 quan sát.

25
 5. Kiểm định Goldfeld - Quandt

3. Sử dụng phương pháp OLS để ước lượng

tham số của các hàm hồi qui đối với (n – c)/2
quan sát đầu và cuối; tính RSS1 và RSS2 tương
ứng. nc
k
Bậc tự do tương ứng là 2 (k là các
tham số được ước lượng kể cả hệ số chặn).

26
 5. Kiểm định Goldfeld - Quandt
4. Tính tỷ số
RSS 2 / df
λ=
RSS1 / df

 tuân theo phân phối F với bậc tự do ở tử số và

mẫu số là n  c  2k
2

Nếu  > F ở mức ý nghĩa α thì bác bỏ giả thuyết

H0, nghĩa là phương sai của sai số thay đổi.

27
 6. Kiểm định White
• White đã đề nghị một phương pháp không cần
đòi hỏi u có phân phối chuẩn.
• Xét mô hình hồi qui sau:
Yi = 1 + 2X2i + 3X3i + ui
Bước 1: Ước lượng mô hình trên bằng OLS,
thu được các phần dư ei.
Bước 2: Ước lượng một trong các mô hình sau

ei2 = 1 + 2X2i + 3X3i + 4X2i2 + 5X3i2 + v2i (1)

28
 6. Kiểm định White
hay
ei2 = 1 + 2X2i + 3X3i + 4X2i2 + 5X3i2 +
6X2iX3i + V2i (2)
(1) và (2) có thể có số mũ cao hơn và nhất thiết
phải có hệ số chặn bất kể mô hình gốc có
hay không.
R2 là hệ số xác định bội, thu được từ (1) với mô
hình không có số hạng chéo hay (2) với mô
hình có số hạng chéo.

29
 6. Kiểm định White

• Bước 3
Đặt GT Ho: 2 = 3 = 4 = 5 = 0 (1)
2 = 3 = 4 = 5 = 6 = 0 (2)
Tương đương H0: phương sai của sai số không đổi.
• nR2 có phân phối xấp xỉ 2(df), với df bằng số
hệ số của mô hình (1) và (2) không kể hệ số
chặn.

30
 6. Kiểm định White
• Bước 4 Quy tắc quyết định
• nR2 < 2(df): chấp nhận Ho
• nR2 > 2(df): bác bỏ Ho, hay có hiện tượng
phương sai sai số thay đổi.

31
32
 7. Phương pháp bình phương
nhỏ nhất tổng quát
• 1. Phương pháp bình phương nhỏ nhất có
trọng số
• 2. Phương pháp bình phương nhỏ nhất tổng
quát

29/11/2010 701003- Phương sai của sai số thay đổi 33

 8. Biện pháp khắc phục

• 1. Phương pháp bình phương bé nhất có trọng

số (trường hợp đã biết i2 )
• 2. Phương pháp bình phương bé nhất tổng
quát (trường hợp chưa biết i2 )
• 3. Chuyển đổi dạng hàm (trường hợp chưa
biết i2 )

29/11/2010 701003- Phương sai của sai số thay đổi 34

 8. Biện pháp khắc phục
1. Ước lượng bình phương bé nhất có trọng số
(trường hợp đã biết i2)
Có mô hình hồi qui mẫu 2 biến:
Yi  1   2 X i  ei

giả sử rằng phương sai sai số i2 đã biết; nghĩa là

phương sai sai số của mỗi quan sát đã biết, chia
hai vế của mô hình cho i đã biết.

hay
Yi 1  X i  ei
 1     2   
i i   i  i
*
Yi  1*   2* X i*  ei*
35
 Ước lượng bình phương
bé nhất có trọng số
• Phương pháp OLS
2 2
 ei   Yi 1  X i 
        1      2     min
 i  i  i  i 

 *

 w  w X Y   w X  w X 
i i i i i i i i
2
 w  w X   w X 
i i i
2
i i
2

wi  1 /  i

36
Ước lượng bình phương
bé nhất có trọng số

37
 1. Trường hợp đã biết i2
Khi đó
 ei  Var (ei )  i2
Var    2
 2  1, i
i  i i

Trong thực tế, chia mỗi quan sát Yi và Xi cho i đã

biết và chạy hồi qui OLS cho dữ liệu đã được
chuyển đổi này.
Ước lượng OLS của 1 và 2 được tính theo cách
này được gọi là ước lượng bình phương bé nhất
có trọng số (WLS); mỗi quan sát Y và X được
chia cho trọng số (độ lệch chuẩn) của riêng nó,
i.
38
 2. Trường hợp chưa biết i2
Trường hợp 1: Phương sai sai số tỷ lệ với biến
giải thích.
Sau khi ước lượng hồi qui OLS thông thường,
chúng ta vẽ đồ thị phần dư từ ước lượng này
theo biến giải thích X và quan sát hình ảnh của
nó. Nếu hình ảnh của phần dư tương tự như
hình sau:

39
2. Trường hợp chưa biết i2

40
 2. Trường hợp chưa biết i2

Như vậy, phương sai sai số có quan hệ tuyến tính với

biến giải thích
Var(ui ) = E(ui2) = 2Xi
Chúng ta chia hai vế của mô hình cho căn bậc hai của
Xi , với Xi  0

Yi 1 Xi ui
 1  2 
Xi Xi Xi Xi
1
 1   2 X i  vi
Xi

41
 2. Trường hợp chưa biết i2
• Khi đó
 ui  Var (ui )
Var     2 , i
 X  Xi
 i 

• Một điều quan trọng mà chúng ta cần lưu ý

là để ước lượng mô hình trên, chúng ta phải
sử dụng mô hình hồi qui qua gốc.

42
 2. Trường hợp chưa biết i2

Trường hợp 2: Phương sai sai số tỷ lệ với bình

phương của biến giải thích.
Var(ui ) =E(ui2) = 2Xi2
Nếu hình ảnh của phần dư tương tự như hình
bên dưới, phương sai sai số có quan hệ tuyến
tính với bình phương của Xi
Chúng ta chia hai vế của mô hình cho X i với Xi
≠0
Yi  1  ui  1 
  1     2   1     2  vi
Xi  Xi  Xi  Xi 
43
2. Trường hợp chưa biết i2

44
 2. Trường hợp chưa biết i2
Khi đó:
 ui  Var (ui )
Var    2
  2
, i
 Xi  Xi

Trường hợp 3: Phương sai sai số tỷ lệ với bình

phương của giá trị kỳ vọng của Y.
Var(ui ) = E(ui2) = 2[E(Yi)]2.
Chia hai vế của mô hình cho E(Yi) với
Ŷ  ˆ 1  ˆ 2 X i

E(Yi)= i

45
 2. Trường hợp chưa biết i2

Tiến hành theo 2 bước sau:

Bước 1: Ước lượng mô hình hồi qui:
Yi = 1 + 2Xi + ui
bằng phương pháp OLS thông thường, từ đó ta
thu được Ŷi
Biến đổi mô hình gốc về dạng như sau:
Yi 1 Xi
 1 2  vi
Ŷi Ŷi Ŷi
46
 2. Trường hợp chưa biết i2
Bước 2: Ước lượng hồi qui trên dù Ŷi không chính
xác là E(Yi\Xi), nhưng chúng là ước lượng vững,
nghĩa là khi cỡ mẫu tăng lên vô hạn thì chúng
hội tụ về E(Yi|Xi). Do vậy, phép biến đổi trên có
thể dùng được khi cỡ mẫu tương đối lớn.
Khi đó

 u  Var (u )  2 .E Y 2

Var  ^ i   i
 i
  2
, i
  ^ 2 ^ 2
Yi  Yi Yi

47
 2. Trường hợp chưa biết i2
Trường hợp 4: Định dạng lại mô hình.
Thay vì ước lượng mô hình hồi qui gốc, ta có thể
ước lượng mô hình hồi qui:
lnYi = 1 + 2lnXi + ui
Tình trạng phương sai sai số không đồng nhất sẽ
bớt nghiêm trọng hơn so với mô hình gốc bởi vì
khi được logarit hóa, độ lớn các biến bị
‘nén lại’.
Một ưu thế của phép biến đổi này là hệ số 2 sẽ đo
lường hệ số co giãn của Y theo X, nghĩa là, nó
cho biết % thay đổi của Y khi X thay đổi 1%.
48
 Lưu ý:
• Khi nghiên cứu mô hình có nhiều biến giải
thích thì việc chọn biến nào để biến đổi cần
phải được xem xét cẩn thận.
• Phép biến đổi logarit không dùng được khi các
giá trị của các biến âm.
• Khi i2 chưa biết, nó sẽ được ước lượng từ một
trong các cách biến đổi trên. Các kiểm định t,
F mà chúng ta sử dụng chỉ đáng tin cậy khi cỡ
mẫu lớn, do đó chúng ta phải cẩn thận khi giải
thích các kết quả dựa trên các phép biến đổi
khác nhau trong các mẫu nhỏ.
49
 Ví dụ
• Cho số liệu quan sát như sau: Y: thu nhập
trung bình (USD/giờ) X1: số năm kinh
nghiệm (năm) X2: số năm được đào tạo
(năm)
1.Ước lượng mô hình hồi quy Y= β0 + β1. X1
+ β2.X2 +U
2. Mô hình có phương sai thay đổi không?
Vì sao?
3.Nếu xảy ra phương sai thay đổi, hãy tìm
cách khắc phục.

50
1. Ước lượng mô hình

51
 2. Phát hiện phương sai thay đổi
• 1. Vẽ đồ thị phần dư

52
 b. Kiểm định Park
• B1. Tạo biến mới umu=resid
• B2: Chạy hồi quy theo từng Xi hoặc theo Y^ theo
mô hình:
LOG(umu^2) c LOG(X2)
Hoặc LOG(umu^2) c LOG(X3)
Hoặc LOG(umu^2) c LOG(Ymu)
3. Đặt giả thuyết H0: β2 = 0, hay “không có
phương sai thay đổi”
53
 b. Kiểm định Park
LOG(umu^2) c LOG(Ymu)

54
 b. Kiểm định Glejser
1. Hồi quy theo mô hình sau
ABS(umu) c X2
Hoặc ABS(umu) c X3
2. Đặt giả thuyết H0: β2 = 0, hay không có
phương sai thay đổi

55
56
 c. Kiểm định White
B1. Mở eq01
B2. View\ Residual Tests\ White Heteroskedasticity
(cross terms)
GT Ho: 2 = 3 = 4 = 5 = 6 = 0
Hoặc
• View\ Residual Tests\ White Heteroskedasticity (no
cross terms)
GT Ho: 2 = 3 = 4 = 5 = 0
Ta có kết quả sau
57
58
 Kết quả
• Theo kết quả bảng trên, ta thấy n*R2 (Obs*R-
squared) = 14,70020.
• Với mức ý nghĩa 5%, 2(df)= 2(5)= 11,0705. Ta
thấy n*R2 > 2(5)
=>bác bỏ Ho 2 = 3 = 4 = 5 = 6 = 0
Cách 2: n*R2 có xác suất p-value= 0,011724 < α =5%.
Vậy bác bỏ giả thiết Ho: phương sai không đổi.
Tức mô hình hồi quy của Y theo X1 và X2 có
phương sai thay đổi.
59
 3. Biện pháp khắc phục
B1. Hồi quy Y, X1, X2 dựa vào các giả thiết
B2: Kiểm định tiếp xem có phương sai thay đổi
không
Thực hành:
B1: Do ta chưa biết các i2 nên theo các giả thiết
sau:
• a. E(ui2) = 2Xi2
Chạy hồi quy (Y/X1 ) (1/X1 ) c (X2 / X1 )
60
• Dùng kiểm định White có số hạng tích chéo
(cross terms)

61
• b. E(ui2) = 2Xi
Chạy hồi quy (Y/SQR(X1 )) 1/SQR(X1 ) SQR(X1 ) (X2 / SQR(X1 ) )

62
Dùng kiểm định White có số
hạng tích chéo (cross terms)

63
 c. Dùng phép biến đổi
logarit
• Chạy hồi quy LOG(Y) C LOG(X1) LOG(X2)

64
Dùng kiểm định White có
số hạng tích chéo (cross
terms)

65
 Vd2
• Hồi quy lương (W, $) theo số lượng nhân viên (N) tại 30
công ty có các kết quả sau
W=7.5 + 0.009N +e R2=0.9 (1)
t na (16.10)
W/N=0.008 + 7/8(1/N) +e R2=0.99 (2)
t (14.43) (76.58)
1. Giải thích ý nghĩa các hệ số hồi quy.
2. Tại sao tác giả chuyển từ mô hình 1 sang mô hình 2?
3. Hệ số tự do và hệ số góc của hai mô hình có liên hệ như
thế nào?

66
 Ví dụ
• Cho số liệu quan sát như sau: Y: thu nhập
trung bình (USD/giờ) X1: số năm kinh
nghiệm (năm) X2: số năm được đào tạo
(năm)
1.Ước lượng mô hình hồi quy Y= β0 + β1. X1
+ β2.X2 +U
2. Mô hình có phương sai thay đổi không?
Vì sao?
3.Nếu xảy ra phương sai thay đổi, hãy tìm
cách khắc phục.

67
STT X1 X2 Y
1 0 6 4.71 26 25 2 12.8
2 1 3 3.6 27 25 0 5.2
3 2 0 4.37 28 27 4 8.12
4 2 4 4.64 29 28 7 17.54
5 3 1 3.27 30 28 4 22.52
6 5 0 4.26 31 30 3 5.47
7 6 7 6.14 32 31 1 13.67
8 7 5 6.74 33 32 0 4.84
9 8 0 6.11 34 34 5 38.52
10 8 2 5.53 35 34 2 9.98
11 8 6 5.53 36 37 6 27.73
12 10 1 5.36 37 37 0 5.06
13 11 7 8.73 38 37 1 4.36
14 13 0 5.85 39 38 7 23.96
15 15 0 6.88 40 38 4 30.77
16 15 2 7.17 41 39 0 20.68
17 15 7 10.8 42 40 2 50.9
18 18 0 5.06 43 42 3 3.96
19 19 6 13.69 44 42 0 7.58
20 21 0 8.01 45 43 4 6.18
21 21 2 17.13 46 44 3 43.25
22 23 1 7.75 47 44 1 32.04
23 24 0 6.2 48 45 0 3.35
24 24 5 17.72 49 45 2 18.35
25 24 3 8.8 50 46 0 4.95

68
1. Ước lượng mô hình

69
• Nhìn đồ thị ta thấy độ rộng của phần dư tăng khi Yi^ tăng. Vậy
mô hình ước lượng ở câu 1 có thể có phương sai thay đổi.

70
 b. Kiểm định Park
• B1. Tạo biến mới umu=resid
• B2: Chạy hồi quy theo từng Xi hoặc theo Y^ theo
mô hình:
LOG(umu^2) c LOG(X2)
Hoặc LOG(umu^2) c LOG(X3)
Hoặc LOG(umu^2) c LOG(Ymu)
3. Đặt giả thiết H0: β2 = 0, hay “không có phương
sai thay đổi”
71
LOG(umu^2) c LOG(Ymu)

72
 b. Kiểm định Glejser
1. Hồi quy theo mô hình sau
ABS(umu) c X2
Hoặc ABS(umu) c X3
2. Đặt giả thiết H0: β2 = 0, hay không có phương
sai thay đổi

73
74
 c. Kiểm định White
B1. Mở eq01
B2. View\ Residual Tests\ White Heteroskedasticity
(cross terms)
GT Ho: 2 = 3 = 4 = 5 = 6 = 0
Hoặc
• View\ Residual Tests\ White Heteroskedasticity (no
cross terms)
GT Ho: 2 = 3 = 4 = 5 = 0
Ta có kết quả sau
75
76
• Theo kết quả bảng trên, ta thấy n*R2 (Obs*R-
squared) = 14,70020.
• Với mức ý nghĩa 5%, 2(df)= 2(5)= 11,0705. Ta
thấy n*R2 > 2(5)
=>bác bỏ Ho 2 = 3 = 4 = 5 = 6 = 0
Cách 2: n*R2 có xác suất p-value= 0,011724 < α =5%.
Vậy bác bỏ giả thiết Ho: phương sai không đổi.
Tức mô hình hồi quy của Y theo X1 và X2 có
phương sai thay đổi.
77
 3. Biện pháp khắc phục
B1. Hồi quy Y, X1, X2 dựa vào các giả thiết
B2: Kiểm định tiếp xem có phương sai thay đổi
không
Thực hành:
B1: Do ta chưa biết các i2 nên theo các giả thiết
sau:
• a. E(ui2) = 2Xi2
Chạy hồi quy (Y/X1 ) (1/X1 ) c (X2 / X1 )
78
• Dùng kiểm định White có số hạng tích chéo
(cross terms)

79
• Ta thấy Obs*R-squared có p = 0,515373> 5% nên
chấp nhận Ho. Vậy không còn phương sai thay
đổi.
• Ta có hàm hồi quy mới như sau:
^
Yi 2,782082 0,209166. X 2i
  0,353691 
X 1i X 1i X 1i
80
• b. E(ui2) = 2Xi
Chạy hồi quy (Y/SQR(X1 )) 1/SQR(X1 ) SQR(X1 ) (X2 / SQR(X1 ) )

81
 Dùng kiểm định White có số hạng tích
chéo (cross terms)

• Ta thấy Obs*R-squared có p = 0,174148 > 5%

nên chấp nhận Ho. Vậy không còn phương sai
thay đổi. Vậy mô hình là
^
Yi 1,447035 X 2i
  0,36838. X 1i  0,674817.
X 1i X 1i X 1i
82
 c. Dùng phép biến đổi logarit
• Chạy hồi quy LOG(Y) C LOG(X1) LOG(X2)

83
 Dùng kiểm định White có số hạng
tích chéo (cross terms)

• Ta thấy Obs*R-squared có p = 0,024228 < α =

5% nên bác bỏ Ho. Vậy vẫn còn phương sai
thay đổi.
• Vậy mô hình này không phù hợp.

84
 Bài tập
Làm lại các ví dụ 7.1, ví dụ trang 169, các
bài tập trong chương 7 (các file dữ liệu
tương ứng đã đưa lên Team)
1.Yêu cầu hồi quy Y theo các Xi,
2. Vẽ đồ thị phần dư theo Y,
3. Kiểm định hiện tượng phương sai thay
đổi bằng kiểm định Park, kiểm định Gleijer,
kiểm định White,
4. Định lại mẫu với các giá trị Y và X >0,
thực hiện hồi quy Y theo X dưới dạng Ln 85