Bên cạnh R2
và R2, một số tiêu chí khác cũng thường được sử dụng để đánh giá mức độ phù hợp của một mô hình hồi quy như AIC, FPE, SBC, và HQC (có sẵn trong kết quả hồi quy trên Eviews).
Nhắc lại rằng, khi tăng số biến giải thích trong một mô hình hồi quy bội sẽ làm giảm RSS, và vì thế R2
sẽ tăng. Tuy nhiên, cái giá của việc tăng R2 là giảm số bậc tự do trong mô hình. Một phương pháp khác – ngoài R2, cho phép số biến giải thích thay đổi khi đánh giá mức độ phù hợp là sử dụng các tiêu chí khác cho việc so sánh giữa các mô hình, chẳng hạn như Akaike Information Criterion (AIC) của Akaike (1974):
uˆ2k/n
n RSS
AIC (7.92)
Các phần mềm kinh tế lượng thường sử dụng công thức biến đổi của công thức (7.92) như sau: n 2k n RSS ln ) AIC ln( (7.93)
Tiêu chí Schwarz Bayesian Criterion (SBC) của Schwarz (1978):
k/n
uˆ n RSS
SBC (7.94)
Các phần mềm kinh tế lượng thường sử dụng công thức biến đổi của công thức (7.94) như sau:
28 n k n RSS ln ) SBC ln( (7.95)
Tiêu chí Finite Prediction Error (FPE) của Akaike (1970): k n k n n RSS FPE (7.96)
Và tiêu chí Hannan and Quin Criterion (HQC) của Quin (1979):
2k/n
(ln(n)) n
RSS
HQC (7.97)
Asteriou (2007) cho rằng chúng ta nên chọn mô hình với các tiêu chí trên sao cho chúng có giá trị nhỏ nhất. Nói chung, thường thì các tiêu chí này có thể cho các kết quả trái ngược nhau, dẫn đến có thể có các kết luận khác nhau. Tuy nhiên, nguyên tắc chung là nên chọn mô hình nào có nhiều tiêu chí có giá trị nhỏ hơn so với các mô hình khác. AIC và SBC là hai tiêu chí được sử dụng phổ biến nhất trong phân tích chuỗi thời gian như mô hình ARIMA, ARCH, GARCH, VAR, hay ECM. Lưu ý rằng, dù sử dụng tiêu chí nào thì các mô hình đang xem xét phải có cùng biến phụ thuộc và có cùng dạng hàm.