28
6.5 Tóm tắt và kết luận
Trong chương này, chúng ta đã khảo sát hơi sâu chủđề tự tương quan. Dữ liệu chuỗi thời gian thường gặp phải vấn đề tựtương quan. Trước hết chúng ta thảo luận bản chất và các hậu quả của tự tương quan, sau đó chúng ta thảo luận các phương pháp phát hiện tựtương quan, và rồi chúng ta xem xét các cách trong đó vấn đề tựtương quan có thểđược giải quyết.
Vì nói chung chúng ta khơng biết các hạng nhiễu thực trong một mơ hình hồi quy, trong thực tế chúng ta phải suy đoán bản chất của tựtương quan trong một ứng dụng cụ thể bằng cách phân tích phần dư, đó là các đại diện tốt của hạng nhiễu thực nếu cỡ mẫu là tương đối lớn. Chúng ta có thể vẽđồ thị phần dư, hoặc sử dụng các kiểm định Durbin- Watson, hoặc Breusch-Godfrey.
Nếu các kiểm định tựtương quan cho thấy rằng tựtương quan tồn tại trong một trường hợp cụ thể, chúng ta có thể chuyển hóa mơ hình gốc sao cho trong mơ hình được chuyển hóa chúng ta khơng cịn gặp vấn đề tự tương quan. Nhưng nói dễhơn làm, vì chúng ta khơng biết cấu trúc thực của tựtương quan trong tổng thể của một mẫu được rút ra. Vì thế chúng ta cố gắng thử nhiều cách chuyển hóa, chẳng hạn như chuyển hóa dạng sai phân bậc một và sai phân tổng qt. Thơng thường thì đây là một quá trình thử và sai.
Nếu cỡ mẫu tương đối lớn, chúng ta có thể sử dụng các sai số chuẩn mạnh hoặc các sai số chuẩn theo phương pháp HAC, cách này khơng địi hỏi bất kỳ kiến thức đặc biệt nào về bản chất của tựtương quan. Thủ tục HAC đơn giản là điều chỉnh các sai số chuẩn của OLS, mà không làm thay đổi các giá trị của các hệ số hồi quy.
Vì các ước lượng OLS vẫn nhất quán mặc dù có tựtương quan, nên sựđột phá của các phương pháp điều chỉnh được thảo luận trong chương này là ước lượng các sai số chuẩn của các hệ số hồi quy càng hiệu quả càng tốt sao cho chúng ta không rút ra các kết luận sai lầm vềý nghĩa thống kê của một hoặc nhiều hệ số hồi quy./.