CHƯƠNG III : KẾT QUẢ ƯỚC LƯỢNG VÀ SUY DIỄN THỐNG KÊ
2. Kiểm định và khắc phục các khuyết tật của mô hình
2.1. Kiểm định hiện tượng đa cộng tuyến
Mơ hình tốt là mơ hình phải đạt được các tính chất BLUE (tuyến tính, khơng chệch, hiệu quả nhất). Tuy nhiên trên thực tế do xây dựng sai mơ hình hoặc do bản chất của dữ liệu, dẫn tới mơ hình khơng đạt được đầy đủ các tính chất trên. Một trong những vấn đề ảnh hưởng đến mơ hình mà ta gọi là vi phạm các giả định, đó là đa cộng tuyến.
Đa cộng tuyến là một lỗi của mơ hình phân tích hồi quy, xảy ra khi giữa các biến độc lập Xi trong mơ hình hồi quy đa biến có tương quan tuyến tính với nhau.
b. Nguyên nhân
Có 3 nguyên nhân gây ra vấn đề đa cộng tuyến:
- Đa cộng tuyến hồn hảo xảy ra khi đặt mơ hình sai, trên thực tế hiện tượng đa cộng tuyến hồn hảo ít khi xảy ra.
- Đa cộng tuyến khơng hồn hảo xảy ra do bản chất hiện tượng kinh tế xã hội mà các biến độc lập đã có sẵn mối quan hệ cộng tuyến với nhau.
- Đa cộng tuyến khơng hồn hảo xảy ra do số liệu điều tra không đủ lớn, hay số liệu điều tra không ngẫu nhiên.
c. Cách phát hiện đa cộng tuyến
Cách 1: Dùng lệnh corr để kiểm tra đa cộng tuyến
Nếu các biến độc lập có tương quan mạnh với nhau (r > 0.8) thì có thể xảy ra hiện tượng đa cộng tuyến.
Từ kết quả chạy lệnh corr trong phần mềm Stata, ta thấy hệ số tương quan giữa các biến độc lập đều nhỏ hơn 0.8. Do vậy có thể kết luận mơ hình có thể khơng xảy ra
hiện tượng đa cộng tuyến.
Cách 2: Sử dụng nhân tử phóng đại phương sai VIF (variance inflation factor)
- Nếu VIF > 10 thì xảy ra hiện tượng đa cộng tuyến và ở mức nghiêm trọng
- Nếu 1<VIF<10 thì có tồn tại đa cộng tuyến nhưng có thể chấp nhận được Sử dụng lệnh estat vif trong phần mềm Stata, ta thu được kết quả như sau:
Tất cả các giá trị VIF đều nằm trong khoảng 1< VIF <10, do đó có thể đi đến kết luận mơ hình có xảy ra hiện tượng đa cộng tuyến nhưng ở mức có thể chấp nhận
được.
Kết luận:
Từ 2 cách kiểm định trên có thể kết luận rằng: Mơ hình xảy ra hiện tượng đa cộng tuyến nhưng ở mức có thể chấp nhận được.
d. Biện pháp khắc phục
Khi vấn đề khơng q nghiêm trọng (1<VIF<10), ta có thể bỏ qua hiện tượng đa cộng tuyến trong mơ hình
2.2. Kiểm định phương sai, sai số thay đổi
a. Bản chất
Một vấn đề khác mà mơ hình cũng có thể gặp phải, đó là phương sai của sai số thay đổi. Hậu quả của phương sai sai số thay đổi là các ước lượng bình phương nhỏ nhất vẫn là không chệch nhưng khơng cịn hiệu quả nữa, cùng với đó ước lượng của các phương sai sẽ bị chệch, như vậy làm mất hiệu lực của kiểm định. Điều này làm cho mơ hình kém hiệu quả hơn.
Phương sai của mỗi một ngẫu nhiên Ui, trong điều kiện giá trị đã cho của biến giải thích Xi là khơng đổi, nghĩa là:
Var(U i/X i)=E[U i – E(U i)]2 = E(U i)2= σ2; i = 1,2,3…n
Khi giả thiết đó bị vi phạm thì mơ hình mắc lỗi phương sai sai số thay đổi. Tên gọi của lỗi này là Heteroskedasticity.
b. Nguyên nhân
- Do bản chất của các hiện tượng kinh tế: Nếu các hiện tượng kinh tế theo không gian được điều tra trên những đối tượng có quy mơ khác nhau hoặc các hiện tượng kinh tế theo thời gian được điều tra qua các giai đoạn có mức biến động khác nhau thì phương sai sai số có thể khơng đồng đều.
- Do định dạng khơng đúng dạng hàm của mơ hình. Có thể do bỏ sót biến thích hợp hoặc giải tích của hàm là sai.
- Do số liệu không phản ánh đúng bản chất của hiện tượng kinh tế, chẳng hạn xuất hiện các quan sát ngoại lai. Việc đưa vào hay loại bỏ các quan sát này ảnh hưởng rất lớn đến phân tích hồi quy.
- Do kỹ thuật thu thập, bảo quản và xử lý số liệu được cải tiến nên sai số có xu hướng giảm.
- Do con người học được hành vi trong quá khứ. c. Cách phát hiện phương sai sai số thay đổi
Để kiểm định phương sai sai số thay đổi ta có cặp giả thuyết sau:
{ H0:Mơhìnhcó phương sai thuầnnhất
H1:Mơ hìnhcó phương sai sai số thay đổi
Nếu giá trị [Prob>chi2] < 0.05 thì bác bỏ giả thiết H0 và chấp nhận giả thiết H1
Kiểm định Breusch-Pagan-Godfrey
Thực hiện lệnh estat hettest ta thu được kết quả sau: Prob>chi2 = 0.0532> 0.05 Thừa nhận H0, bác bỏ H1
Do đó mơ hình khơng mắc lỗi phương sai sai số thay đổi.
2.3. Kiểm định hiện tượng tự tương quan hay tương quan chuỗi
a. Bản chất
Thuật ngữ tự tương quan có thể hiểu là sư tương quan các thành phần của chuỗi các quan sát được sắp xếp theo thứ tự theo thời gian (trong các số liệu chuỗi thời gian) hoặc không gian (trong số liệu chéo). Khi thành phần nhiễu của các quan sát phụ thuộc lẫn nhau, tức là Cov(U i; U j ) ≠ 0, thì hiện xảy ra hiện tượng tự tương quan.
b. Nguyên nhân
- Về phía khách quan, hiện tượng tự tương quan có thể xảy ra do tính chất quán tính của chuỗi số liệu hoặc do hiện tượng mạng nhện Cobweb.
- Về phía chủ quan chủ quan thì là do mơ hình thiếu biến quan trọng hoặc dạng hàm sai.
Tuy nhiên, số liệu được sử dụng trong báo cáo này là dạng số liệu chéo nên mơ hình khơng xảy ra hiện tượng tự tương quan.
2.4 Kiểm định dạng đúng của mơ hình (kiểm định các biến bị bỏ sót)
Ta có cặp giả thuyết
{H0:Mơ hìnhkhơng bỏ sót biến
H1:Mơ hìnhbị bỏ sót biến
Nếu giá trị [Prob>F] < 0.05 thì bác bỏ giả thiết H0 và chấp nhận giả thiết H1 Dùng kiểm định RESET of Ramsey
Thực hiện lệnh estat ovetest trong Stata, ta thu được kết quả sau: [Prob>F] = 0.1624 > 0.05
Thừa nhận H0, bác bỏ H1. Do đó mơ hình khơng bị bỏ sót biến.