Các giả định của hồi quy tuyến tính cổ điển
Chính vì thế, các giả định về biến giải thích Xt và
số hạng nhiễu ut có ý nghĩa rất quan trọng cho
việc giải thích các giá trị ước lượng của hồi quy.
Ta đã biết, các hạng nhiễu ut (không thể quan
sát được) là các hạng nhiễu ngẫu nhiên. Do
hạng nhiễu ut cộng với một số hạng phi ngẫu
nhiên Xt để tạo ra Yt, vậy Yt sẽ là một biến ngẫu nhiên.
20 trang |
Chia sẻ: thanhlam12 | Lượt xem: 1826 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Bài giảng Nhập môn Kinh tế lượng - Chương 5: Kiểm định và chọn mô hình, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
22/8/2015
1
Kiểm định và chọn mô hình
Lê Minh Tiến
1
Bài giảng Kinh tế lượng © Tien M. Le
Các giả định của hồi quy tuyến tính cổ điển
Theo Gujarati (2003), nếu mục tiêu của ta chỉ là
ước lượng các hệ số βj thì chỉ cần phương pháp
OLS là đủ. Nhưng, như ta đã biết, các mục tiêu
của phân tích hồi quy không chỉ dừng lại ở việc
có được các giá trị ước lượng βj^ mà còn phải
suy diễn (dự báo khoảng) về các giá trị thực βj
thực sự có nghĩa thống kê hay không. Chính vì
vậy, chúng ta cần biết cụ thể về bản chất của
hàm hồi quy tổng thể.
2
Bài giảng Kinh tế lượng © Tien M. Le
Các giả định của hồi quy tuyến tính cổ điển
Cụ thể, chúng ta không chỉ xác định dạng hàm
của mô hình hồi quy, mà còn đưa ra các giả định
về cách mà Yt được tạo ra như thế nào. PRM
cho thấy Yt phụ thuộc vào cả Xt và ut. Cho nên,
nếu ta không biết Xt và ut được tạo ra như thế
nào, thì ta sẽ không có cách nào suy diễn được
Yt cũng như các hệ số βj.
3
Bài giảng Kinh tế lượng © Tien M. Le
Các giả định của hồi quy tuyến tính cổ điển
Chính vì thế, các giả định về biến giải thích Xt và
số hạng nhiễu ut có ý nghĩa rất quan trọng cho
việc giải thích các giá trị ước lượng của hồi quy.
Ta đã biết, các hạng nhiễu ut (không thể quan
sát được) là các hạng nhiễu ngẫu nhiên. Do
hạng nhiễu ut cộng với một số hạng phi ngẫu
nhiên Xt để tạo ra Yt, vậy Yt sẽ là một biến ngẫu
nhiên.
4
Bài giảng Kinh tế lượng © Tien M. Le
Các giả định của hồi quy tuyến tính cổ điển
5
Giả dịnh Biểu diễn dạng toán Không thỏa mãn do
(1) Mô hình tuyến tính
Yt = β1+β2Xt + ut Sai dạng mô hình(2) Mô hình được xác định
đúng
(3) Xt có thể biến thiên Var(Xt) ≠ 0 Sai dạng mô hình
(4) Giá trị kỳ vọng của hạng
nhiễu bằng không
E(ut) = 0
Sai dạng mô hình
(5) Xt và ut không tương
quan
Cov(Xt,ut) = 0
Tự hồi quy
(6) Không có đa cộng tuyến Σ(δiXit + δjXjt-) ≠ 0, i ≠ j Đa cộng tuyến
(7) Phương sai không đổi Var(ut) = σ
2 Phương sai thay đổi
(8) Không có tương quan
chuỗi
Cov(ut,us) = 0, t ≠ s
Tự tương quan
(9) Hạng nhiễu phân phối
chuẩn
ut ~ N(μ,σ
2)
Outliers
Bài giảng Kinh tế lượng © Tien M. Le
Các kiểm định
Nhiễu phân phối chuẩn (GT 9)
Sai dạng mô hình (các GT 1, 2, 3, 4)
Kì vọng nhiễu khác 0 (GT 5)
Không có đa cộng tuyến (GT 6), phương sai
không đổi (GT 7), không có tương quan chuỗi
(GT 8): các giả thiết này được xét riêng
6
22/8/2015
2
Bài giảng Kinh tế lượng © Tien M. Le
Các thuộc tính của một mô hình tốt
Trong thực tế, có thể ta không bao giờ biết được
mô hình thực (đúng) là như thế nào, mà chỉ hy
vọng tìm được mô hình có thể biểu diễn thực tế
một cách gần đúng có thể chấp nhận được.
Việc đánh giá một mô hình có đúng đắn, phù
hợp với bản chất của vấn đề nghiên cứu hay
không cần dựa theo tiêu chuẩn nào đó.
7
Bài giảng Kinh tế lượng © Tien M. Le
Các thuộc tính của một mô hình tốt
Các tiêu chuẩn để đánh giá một mô hình tốt theo
quan điểm của A.C. Harvey được vận dụng khá
rộng rãi bao gồm:
Tính tiết kiệm (parsimony):
mô hình càng đơn giản càng tốt.
Điều này không có nghĩa là mô hình ít biến là tốt, mô
hình đơn giản nhưng phải chứa các biến chủ yếu ảnh
hưởng đến biến phụ thuộc để giải thích bản chất của
vấn đề đang nghiên cứu.
8
Bài giảng Kinh tế lượng © Tien M. Le
Các thuộc tính của một mô hình tốt
Tính đồng nhất (identifiability):
với một tập dữ liệu đã cho, các tham số ước lượng
được phải duy nhất.
Tính thích hợp (goodness of fit):
Các biến độc lập càng giải thích được nhiều sự thay
đổi của biến phụ thuộc càng tốt, tức là R2 (hoặc R2adj)
càng cao càng tốt. Tuy nhiên, không nên chỉ căn cứ
vào R2 (hoặc R2adj) để xem mô hình có phù hợp
không.
9
Bài giảng Kinh tế lượng © Tien M. Le
Các thuộc tính của một mô hình tốt
Tính bền vững về mặt lý thuyết (theoretical
consistency):
mô hình phải phù hợp với cơ sở lý thuyết nền tảng.
một mô hình có giá trị R2 cao nhưng dấu của hệ số
hồi quy sai thì cũng không được đánh giá là mô hình
tốt.
Có khả năng dự báo tốt (predictive power):
Một mô hình tốt là mô hình có khả năng cho kết quả
dự báo càng sát với thực tế càng tốt.
10
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Sơ đồ chung gồm các bước sau:
Bước 1: xác định số biến độc lập
Bước 2: kiểm tra các giả định
Bước 3: chọn dạng hàm
Bước 4: chọn mô hình theo các tiêu chuẩn
11
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Bước 1: xác định số biến độc lập có trong mô
hình
Có 2 hướng tiếp cận để xác định biến:
Từ đơn giản đến tổng quát (Simple to General): bổ sung biến
độc lập từ từ vào mô hình. Quá trình bổ sung biến độc lập
vào mô hình thực chất là việc xem xét có bỏ sót biến quan
trọng hay không.
Từ tổng quát đến đơn giản: xét mô hình hồi quy có đầy đủ
các biến độc lập đã được xác định. Sau đó thực hiện kiểm
định loại những biến không quan trọng ra khỏi mô hình.
12
22/8/2015
3
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Thông thường, biến được xem xét để loại ra
khỏi mô hình là biến:
không có cơ sở lý thuyết khẳng định là biến quan
trọng cần giữ lại
p-value tương ứng của biến này trong mô hình hồi
quy có giá trị lớn
hệ số tương quan riêng phần của biến này với biến
phụ thuộc có giá trị tuyệt đối thấp.
13
!
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Bước 2: kiểm tra các giả định của mô hình cổ
điển
đa cộng tuyến
phương sai thay đổi
tự tương quan
nhiễu phân phối chuẩn
Khắc phục các giả định bị vi phạm
14
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Bước 3: chọn dạng hàm
Dựa vào cơ sở lý thuyết kinh tế
Dựa vào kết quả thực nghiệm, so sánh các dạng hàm
khác nhau
Bước 4: chọn mô hình theo các tiêu chuẩn
thông dụng
Ngoài việc sử dụng giá trị R2 (hoặc R2adj ) để so sánh
giữa các mô hình, ta còn có thể sử dụng một số tiêu
chuẩn khác như sau:
15
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Giá trị của hàm hợp lý Log-Likelihood (L):
Trong phần mềm Eviews, giá trị của hàm log-
likelihood được ước lượng bằng công thức:
Giá trị của L càng lớn chứng tỏ mô hình càng phù
hợp.
16
2 2
1
ln ln 2
2 2 2
i
n n
L u
1 ln 2 ln
2
n RSS
L
n
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Tiêu chuẩn AIC (Akaike Info Criterion):
trong đó k là số tham số trong mô hình hồi quy.
Phần mềm Eviews ước lượng giá trị AIC bằng biểu
thức:
Giá trị AIC càng nhỏ chứng tỏ mô hình hồi quy càng
phù hợp.
17
2 /. k n
RSS
AIC e
n
2 2L k
AIC
n n
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Tiêu chuẩn Schwarz Info Criterion:
Ước lượng của SIC trong Eviews được tính bằng
công thức:
Giá trị SBC càng nhỏ chứng tỏ mô hình hồi quy càng
phù hợp.
18
/. k n
RSS
SIC n
n
2
.ln
L k
SIC n
n n
22/8/2015
4
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Tiêu chuẩn Hannan and Quin Criterion (HQC):
Ước lượng của HQ trong Eviews được tính bằng
công thức:
Giá trị HQ càng nhỏ chứng tỏ mô hình hồi quy càng
phù hợp.
19
2 2
.ln ln
L k
HQ n
n n
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Khi so sánh các tiêu chuẩn của mô hình này với
mô hình khác, trong một số tình huống, một mô
hình có thể tốt hơn theo một tiêu chuẩn nào đó
thì cũng tốt hơn theo các tiêu chuẩn khác.
Tổng quát thì một mô hình có thể tốt hơn theo
tiêu chuẩn này nhưng lại không tốt hơn theo tiêu
chuẩn kia. Khi đó nguyên tắc chung là nên chọn
mô hình nào có nhiều tiêu chí có giá trị nhỏ hơn
so với các mô hình khác.
20
Bài giảng Kinh tế lượng © Tien M. Le
Cách tiếp cận để lựa chọn mô hình
Nếu chú ý đến độ phức tạp của mô hình thì
người ta thường chú ý tới tiêu chuẩn SIC, còn
trong phân tích chuỗi thời gian người ta hay sử
dụng tiêu chuẩn AIC.
Lưu ý rằng, việc so sánh các tiêu chuẩn giữa
các mô hình đòi hỏi biến phụ thuộc có cùng
dạng trong mô hình hồi quy.
Nếu biến phụ thuộc xuất hiện dưới các dạng khác
nhau thì phải thực hiện quy đổi về dạng tương
đương.
21
Nhiễu không tuân theo
phân phối chuẩn
Nguyên nhân
Hậu quả
Kiểm định – nhận diện
Khắc phục
22
Bài giảng Kinh tế lượng © Tien M. Le
Nguyên nhân
Do bản chất của số liệu
Do số liệu có các outlier
Do sai dạng mô hình
23
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả
Các ước lượng j^ không tuân theo phân phối
chuẩn và do đó các thống kê t và F không tuân
theo phân phối Student và Fisher tương ứng
Khi đó nếu kích thước mẫu là nhỏ thì các suy
diễn thống kê là không đáng tin cậy
Tuy nhiên với mẫu kích thước lớn thì các suy
diễn thống kê vẫn có giá trị.
24
22/8/2015
5
Bài giảng Kinh tế lượng © Tien M. Le
Phát hiện bằng đồ thị phần dư
Mặc dù ta không biết được các hạng nhiễu ui
nhưng ta ước lượng được phần dư là đại diện
cho chúng.
Nếu đồ thị tần suất của phần dư quá lệch về
bên phải hoặc bên trái, quá nhọn hoặc quá dẹt,
thì đó là các dấu hiệu cho rằng hạng nhiễu của
mô hình là không tuân theo phân phối chuẩn.
25
Bài giảng Kinh tế lượng © Tien M. Le
Phát hiện bằng kiểm định Jacque-Bera (JB)
Kiểm định JB dựa trên ý tưởng: biến ngẫu nhiên
phân phối chuẩn sẽ có S=0 và K=3. Do đó biến
ngẫu nhiên nào có S quá khác 0 hoặc K quá
khác 3 thì đấy là dấu hiệu cho rằng biến đó
không tuân theo phân phối chuẩn.
Kiểm định JB sẵn có trên Eviews.
26
Bài giảng Kinh tế lượng © Tien M. Le
Phát hiện bằng kiểm định Jacque-Bera (JB)
H0 : ui có phân phối chuẩn
Quy trình kiểm định JB trên Eviews như sau:
Bước 1: hồi quy gốc thu được các phần dư ei
Bước 2: View/Residual Tests/Histogram-
Normality Test
Bước 3: Nếu p-value(JB) 2;2 thì
bác bỏ H0
27
Bài giảng Kinh tế lượng © Tien M. Le
Khắc phục
Lấy logarit giúp giảm bớt độ bất đối xứng, làm
cho phân phối của biến gần với phân phối
chuẩn hơn.
Loại bỏ các outlier.
Xác định đúng dạng hàm
28
Sai dạng mô hình
Nguyên nhân
Hậu quả
Kiểm định – nhận diện
Khắc phục
29
Bài giảng Kinh tế lượng © Tien M. Le
Nguyên nhân dẫn đến sai dạng mô hình
3 trường hợp hay gặp phải trên thực tế là:
Bỏ sót biến giải thích quan trọng hoặc thừa biến
giải thích không cần thiết
Sử dụng sai dạng hàm
Sai sót trong việc đo lường
30
22/8/2015
6
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả khi bỏ sót biến
Kì vọng nhiễu sẽ khác 0: E(ui)0
Các ước lượng thu được sẽ là các ước lượng
chệch, không vững của các tham số thực trong
tổng thể
Ước lượng phương sai của nhiễu cũng như
phương sai của các hệ số hồi quy ước lượng bị
chệch, do đó khoảng tin cậy và phương pháp
kiểm định thông thường không còn hiệu lực.
31
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả khi thừa biến
Các hệ số hồi quy ước lượng vẫn là ước lượng
tuyến tính, không chệch, vững.
Phương sai của sai số σ2 cũng được ước lượng
một cách không chệch
do đó khoảng tin cậy và phương pháp kiểm định giả
thiết thông thường vẫn có hiệu lực.
Tuy nhiên các ước lượng thu được từ mô hình
thừa biến là không hiệu quả
nghĩa là các phương sai của chúng sẽ lớn hơn
phương sai của ước lượng thu được từ mô hình vừa
đủ biến. Do đó khoảng tin cậy của các tham số trong
mô hình thừa biến rộng hơn khoảng tin cậy của tham
số thực.
32
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả khi sót biến hay thừa biến
Qua việc phân tích những hậu quả xảy ra khi bỏ
sót biến hay thừa biến, thì theo quan điểm của
nhiều nhà kinh tế lượng, tính chất không chệch
của các tham số ước lượng được chú trọng
hơn, nghĩa là sót biến nghiêm trọng hơn thừa
biến.
Do đó thường chọn cách tiếp cận từ tổng quát
đến đơn giản, tức là có thể chấp nhận tình
huống ban đầu là bị thừa biến hơn là thiếu biến.
33
!
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả khi chọn dạng hàm sai
Ước lượng chệch các hệ số hồi quy, thậm chí có thể
dẫn đến dấu của hệ số hồi quy có thể sai.
Có thể có rất ít hệ số hồi quy ước lượng được có ý
nghĩa thống kê.
R2 biểu hiện cho mức độ phù hợp của mô hình hồi
quy có thể không cao.
Gây ra tự tương quan hoặc phương sai thay đổi
Dự báo sai các hệ số co giãn hoặc không xác định
đúng đắn dạng hàm lợi ích/chi phí biên, dẫn đến việc
ra quyết định sai lầm.
34
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường
Đây là các lỗi liên quan đến việc xác định các
biến số trong mô hình và thu thập dữ liệu. Lỗi đo
lường có thể xảy ra ở biến phụ thuộc và ở biến
giải thích.
35
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường ở biến phụ
thuộc
Giả sử phương trình đúng của tổng thể có dạng
như sau:
Y = β1 + β2X2 ++ βkXk + u
Phương trình này thỏa mãn tất cả các giả định
của mô hình hồi quy tuyến tính cổ điển, nhưng
chúng ta không thể quan sát được các giá trị
thực của Y. Do không có các thông tin chính xác
về Y, nên chúng ta sử dụng các dữ liệu có sẵn
của Y vốn có chứa các lỗi đo lường. Cụ thể, các
giá trị Y* quan sát có thể như sau: Y* = Y + w
36
22/8/2015
7
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường ở biến phụ
thuộc
Do đó:
Y* = β1 + β2X2 ++ βkXk + (u + w)
Các hệ số OLS chỉ không bị ảnh hưởng khi các điều
kiện sau đây được thỏa mãn:
Thứ nhất, nếu w có E(w)=0, thì chúng ta sẽ có ước lượng
không chệch cho β1. Ngược lại, nếu E(w) 0, thì ước
lượng OLS của β1 bị chệch. Tuy nhiên, đây không phải là
vấn đề quan trọng trong kinh tế lượng và dự báo.
Thứ hai, nếu w không có tương quan gì đến các biến giải
thích, thì các ước lượng OLS cho các hệ số độ dốc sẽ
không chệch và nhất quán, và ngược lại.
37
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường ở biến phụ
thuộc
Tuy nhiên, trong trường hợp u và w không
tương quan, thì var(u+w) = σ2u+σ
2
w > σ
2
u. Như
vậy, lỗi đo lường ở biến phụ thuộc có thể làm
cho phương sai của phần dư lớn hơn, và vì thế
làm cho sai số chuẩn của các hệ số ước lượng
lớn hơn.
38
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường ở biến giải thích
Giả sử phương trình đúng của tổng thể là:
Y = β1 + β2X2 + u
Thỏa mãn các giả định của mô hình hồi quy
tuyến tính cổ điển, nhưng chỉ có điều chúng ta
không thể có được thông tin chính xác về X2.
Chẳng hạn, dữ liệu có sẵn về X2 là:
X2 = X
*
2 – v
39
Bài giảng Kinh tế lượng © Tien M. Le
Hậu quả của lỗi đo lường ở biến giải thích
Do đó
Y = β1 + β2(X
*
2 – v) + u= β1 + β2X
*
2 + (u – β2v)
Nếu u và v không tương quan với X*2 và
E(u)=E(v)=0, thì các ước lượng OLS vẫn là các
ước lượng nhất quán cho cả β1 và β2. Do u và v
không tương quan nhau, nên phương sai của
phần dư là var(u-β2v) = σ
2
u + β2σ
2
v > σ
2
u. Chỉ
trường hợp β2 bằng không thì lỗi đo lường mới
không ảnh hưởng đến việc làm tăng phương sai
hạng nhiễu, và vì thế không làm tăng sai số
chuẩn của các hệ số β1 và β2.
40
Bài giảng Kinh tế lượng © Tien M. Le
Nhận diện sai dạng mô hình bằng đồ thị
Phương pháp định tính để nhận diện sai dạng
mô hình là dùng đồ thị phần dư
Nếu phần dư không ngẫu nhiên, tức là đồ thị
phần dư phân tán theo một quy luật nhất định
thì ta có thể hoài nghi về khả năng sai dạng mô
hình.
41
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định chung cho các sai dạng mô hình
Phần dư không có phân phối chuẩn là một
thông tin quan trọng cho biết mô hình hồi quy
chưa tốt do có thể bị các lỗi như bỏ sót biến
quan trọng, sai dạng hàm, phương sai thay đổi,
tự tương quan, v.v
Để kiểm định phần dư có phân phối chuẩn hay
không, chúng ta sử dụng thống kê JB của
Jarque-Berra (1987) với giả thuyết gốc
H0 : ei có phân phối chuẩn
42
22/8/2015
8
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến
Giả sử ta thực hiện hồi quy mô hình sau:
Yi = c1 + c2Xi + ui (1)
Vấn đề đặt ra là ngoài biến X ảnh hưởng đến
biến phụ thuộc Y, còn có biến độc lập nào khác
có ảnh hưởng quan trọng đến Y nữa hay không
mà chưa được đưa vào mô hình?
Giả sử mô hình đúng là:
Yi = β1 + β2Xi + β3Zi + vi (2)
Làm cách nào có thể phát hiện được biến Z có
bị bỏ sót hay không?
43
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
Cách 1: Dùng kiểm định t kết hợp R2adj
hồi quy mô hình (2)
kiểm định H0: β3 = 0 (không bỏ sót Z)
kết hợp so sánh giá trị R2adj của (1) và (2)
Nếu Z là biến quan trọng bị bỏ sót thì sẽ dẫn tới việc
bác bỏ H0, đồng thời R
2
adj(2) tăng đáng kể.
Nếu nghi ngờ bỏ sót nhiều biến độc lập, ta có
thể áp dụng cách làm trên bằng cách xét lần
lượt bổ sung từng biến một.
44
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
Cách 2: Dùng kiểm định Wald
Cách 3: Dùng phương pháp nhân tử Lagrange
(LM-Lagrange multiplier).
Kí hiệu (2) là mô hình (U)- (mô hình không bị
ràng buộc – “Unrestricted model”)
(1) là mô hình (R)- (mô hình bị ràng buộc (bởi
giả thuyết H0: β3 = 0) “Restricted model”)
H0: β3 = 0 H0: không bỏ sót Z
45
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
Bước 1: hồi quy (R), thu được chuỗi phần dư eR
Bước 2: hồi quy phụ eR theo các biến độc lập
ban đầu và các biến nghi ngờ bị sót
eR= 1+ 2X+ 3Z+
Thu được R2aux
Bước 3: n*R2aux ~
2(1)
n*R2aux >
2
;1 bác bỏ H0, nghĩa là thừa nhận
đã bỏ sót Z.
46
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
Trong trường hợp hồi quy bội và nghi ngờ bỏ sót
nhiều biến độc lập, ta làm tương tự:
(R): Y = β0 + β1X1++βmXm + u
(U): Y = β0 + β1X1++βmXm + βm+1Xm+1++βkXk+v
H0: βm+1 == βk = 0 (không bỏ sót các biến
Xm+1,, Xk).
H1: βj 0 (bỏ sót ít nhất một trong các biến
Xm+1,, Xk).
47
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
hồi quy phụ:
eR= 0+ 1X1+ +kXk+
n*R2aux >
2
;k-m bác bỏ H0
48
22/8/2015
9
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Có số liệu về Z
Cách 4: Sử dụng tỷ lệ hàm hợp lý (Likelihood
Ratio – LR):
LR = -2(lR – lU)
lR và lU là giá trị lớn nhất của logarit hàm hợp lý
ứng với mô hình (R) và mô hình (U) tương ứng.
Dưới giả thiết H0, thì LR
2(k – m),
với (k – m) là số biến độc lập nghi ngờ bị bỏ sót.
Nếu LR > 2;k – m thì bác bỏ H0.
49
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Không có data về Z
Cách 1: Nếu nghi ngờ mô hình thiếu biến là
hàm của các biến có sẵn trong mô hình thì dùng
kiểm định RESET (xem phần kiểm định về sai
dạng hàm)
50
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thiếu biến: Không có data về Z
Cách 2: Kiểm định nhân tử Lagrange
Bước 1: Hồi quy mô hình (old), thu được ei
Bước 2: Hồi quy phụ
ei = 1 + 2Xi + 3Ŷ
2 + 4Ŷ
3 + i
thu được R2aux
Bước 3: Lập giả thuyết H0: 3 = 4= 0 (không bỏ
sót biến)
n* R2aux >
2
;m bác bỏ H0
trong đó m là số biến độc lập mới được đưa thêm
vào mô hình (trong tình huống này m = 2).
51
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thừa biến
Cặp giả thuyết là:
H0: thừa biến
H1: không thừa biến
Để thực hiện kiểm định thừa biến, ta có thể áp
dụng quy tắc kiểm định sau:
Kiểm định t thông thường (khi xét bỏ một biến)
Kiểm định Wald (khi xét bỏ một hoặc nhiều biến)
Kiểm định tỷ lệ hàm hợp lý LR (H0: thừa biến)
52
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thừa biến
Trong thực nghiệm, dựa vào kết quả hồi quy:
Nếu p-value(j) lớn, nghĩa là j không có ý nghĩa
thống kê, thì ta có thể xem như Xj không cần
thiết có trong mô hình (thừa biến).
Tuy nhiên, nếu lý thuyết kinh tế cho rằng biến
độc lập đó ảnh hưởng đến biến phụ thuộc thì ta
nên giữ lại trong mô hình.
53
Bài giảng Kinh tế lượng © Tien M. Le
Kiểm định thừa biến
Việc kiểm định thừa biến thực chất là cách tiếp
cận từ tổng quát đến đơn giản, nghĩa là mô hình
hồi quy ban đầu bao gồm tất cả các biến độc lập
có được khi thu thập số liệu. Sau đó mới tiến
hành kiểm định để phá