Sử dụng EVIEWS để kiểm tra sự vi pham

hướng dẫn kiểm định panel data và crosssectional trên Eview Thu Hà a s sdghflvncjgqiejfgrfvhn fjqehlskmhjgrkl,m fnhwuiklkfhbv ejcgdhjekgvfyv egfuujvbjdjdnvfbvc hcjfduxihcbhdvck, gfeujfnjvjfuwt32ou362789erofgjbn degfuiksjggfhfjgghh

Sử dụng EVIEWS để kiểm tra sự vi phạm của các giả định đối với cross-sectional data

By: LE Hong Hanh, Msc.

Faculty of Finance and Banking

Cross-sectional data

•Thu thập dữ liệu (done)

•Chạy dữ liệu – chạy excel

•Kiểm tra sự vi phạm các giả thuyết:

Ví dụ: R²= 90% - chưa chắc 90% là đúng

1 Hiện tượng Đa cộng tuyến

(Correlation)

•Là hiện tượng các biến giải thích trong mô hình phụ thuộc tuyến tính lẫn nhau.

•Dấu hiệu nhận biết

▫R² có giá trị cao trong khi t-ratio nhỏ

▫Dấu của một số hồi quy không như kỳ vọng

Để xem xét đa cộng tuyến:

* Tìm ma trận tương quan giữa các biến:

▫Nếu hệ số tương quan cao >0.8 mà t thấp => khả năng cao có đa cộng tuyến cao.

* Tính VIF = 1 / (1-R²)

- Nếu VIF>10 thì có đa cộng tuyến cao

Cách khắc phục đa cộng tuyến:

- Bổ sung thêm dữ liệu hoặc chọn mẫu mới

- Thay đổi dạng mô hình

- Bỏ bớt biến

2 Phương sai sai số ngẫu nhiên thay đổi

•Để kiểm định phương sai sai số ngẫu nhiên thay đổi:

Vào View > Residual Diagnostics > Heteroskedasticity test

•Có thể kiểm định sử dụng: White test hoặc Breusch-Pagan-Godfrey test

•Đối với White-test (sử dụng phổ biến):

Cặp giả thuyết mặc định của giả thuyết:

Ho: Mô hình gốc có phương sai sai số không đổiH1: Mô hình gốc có phương sai sai số thay đổi

Cách áp dụng trên Eviews:

•Bảng kết quả thể hiện 3 kiểm định:

Trong đó quan tâm tới Kiểm định F:

Nếu: F-test > F(k-1, n-k) -> bác bỏ Ho

•Cách khắc phục:

Chuyển mô hình gốc sang dạng logarit

Hoặc sử dụng phương pháp WLS (Weighted Least Squares)

Ước lượng điều chỉnh sai số chuẩn (Robust Standard Errors)

• 

Robust Standard error

•Không phải để khắc phục phương sai thay đổi mà để các kiểm định này đáng tin cậy hơn -> ước lượng lại phương sai

•Cách làm trên eviews: Vào Equation Estimation -> Options -> Ở mục Coefficient Covariance matrix -> White -> OK

3 Hiện tượng tự tương quan

•Sử dụng kiểm định Durbin-Watson hoặc Breusch-Godfrey

• Cặp giả thuyết mặc định:

Ho: ( Mô hình gốc không có tự tương quan)

H1: Có tự tương quan

• Cách làm trong Eviews:

View -> Residual Diagnostics -> Serial correlation LM Test -> lags to include: 1

Kết quả ra kiểm định F, tương tự phần trước, F>F

• 

4 Sai số ngẫu nhiên không phân phối chuẩn

•Kiểm định Jarque- Bera

•Ho: u có phân phối chuẩn

H1: u không phân phối chuẩn

• Trên Eviews: View > Residual Diagnostics > Histogram – Normality Test

•Căn cứ vào kết quả 2 dòng cuối:

Jarque-Bera và probability Nếu P > 0.05 thì accept giả thuyết Ho

PANEL DATA

Panel data

Phân loại dữ liệu bảng

•Dữ liệu bảng cân bằng (balanced): Khi các đơn vị chéo có cùng số quan sát theo thời gian

•Dữ liệu bảng không cân bằng (Unbalance): Khi các đơn vị chéo không có cùng số quan sát theo thời gian

Các lưu ý khi sử dụng dữ liệu bảng

•Dữ liệu bảng không thể thực hiện hồi quy bằng OLS thông thường !!

•Các trường hợp có thể xảy ra cho các đơn vị chéo:

▫Các đơn vị chéo có điều kiện đặc thù giống nhau hoặc khác nhau

▫Các đơn vị chéo có sự khác biệt về tác động biên của các nhân tố ảnh hưởng

Dữ liệu bảng

•Mô hình tác động cố định

•Mô hình tác động ngẫu nhiên

•Kiểm định Hausman để kết luận nên sử dụng mô hình nào

•Statistician Andrew Gelman says that the terms 'fixed effect' and 'random effect' have variable meanings

 depending on who uses them

Random effect models: Giả định là thành phần sai số không tương quan với bất kỳ

biến giải thích nào trong mô hình Mô hình này giả sử các đặc điểm riêng biệt của các thực thể có tính ngẫu nhiên (không có tương quan với các biến độc lập)

Fixed effect models: Có nhiều khả năng rằng các đặc điểm riêng biệt của các thực

thể khác nhau thì khác nhau và nếu chúng có tương quan với các biến độc lập trong

mô hình (biểu hiện qua sự tương quan giữa các biến độc lập và phần dư ) thì kết quả ước lượng của β2 và β3 không phải là tác động biên thực (net effects) của các biến X2 và X3

Hausman test (1978)

•H0: : Không có tương quan giữa các biến giải thích và thành phần ngẫu nhiên (chọn REM)

•H1: Có tương quan giữa các biến giải thích và thành phần ngẫu nhiên (chọn FEM)

•Nếu giả thuyết H0 bị bác bỏ (p-value <0.05) thì chúng ta đi đến kết luận FEM là mô hình phù hợp hơn

Các bước trong eviews

•Import data ở dạng Panel

•Estimate equation ở dạng Random (Theo eviews, phải estimate ở dạng Random trước sau đó mới sử dụng Hausman test được)

•Sau khi chạy random > Vào kiểm định Hausman

Kiểm định Hausman

•Ho: There is random effect

•H1: There is fixed effect

>> khi P_value < 0.05 => bác bỏ Ho, chấp nhận H1

>> Khi P_value > 0.05 => Fail to reject Ho

Nếu kết quả là FEM

Chạy hồi quy với biến giả:

•Thêm biến giả

Giả sử có N công ty -> thêm N-1 biến giả

• Sau đó, chạy hồi quy như bình thường (bỏ chọn ở phần Panel option)

• Đọc kết quả

1 Descriptive statistic

2 Kiểm định về hiện tượng phương sai thay đổi

Chạy hồi quy thông thường:

Nhận xét

Cách 2: Sử dụng kiểm định LM

Chạy mô hình: ROE c x1 x2 x3

 tạo biến phần dư: GENR U1=RESID^2

Chạy hồi quy phụ:

U1 c X1 X2 X3

Tính trị số: SCALAR LM1 = n*R² (R của mô hình phụ)

Và tìm thống kê Chi²: SCALAR Chisao=@QCHISQ(0.9, p-1) (Trong đó p là số biến trong mô hình hồi quy phụ)

Nếu LM1 > Chisao => Có Phương sai SSTĐ

3 Kiểm định về sự tự tương quan trong mô hình (chạy correlation)

4 Kiểm định tương quan chuỗi

•Estimate equation: ROE c x1 x2 x3 AR(1)

•Nếu p-value < alpha =5% => Có tự tương quan chuỗi bậc 1