Hướng dẫn thực hành kinh tế lượng ( phần mềm Eviews)

Trường Đại Học Nông Lâm Tp Hồ Chí Minh
Khoa Kinh tế
----------------------------
Tài liệu phát cho sinh viên (Lưu hành nội bộ)
Hướng dẫn thực hành kinh tế lượng
bằng phần mềm Eview
(Phiên bản 2.0)
Nội dung gồm
===============================
1. Sử dụng hộp lệnh của Eview
2. Thao tác kiểm định bằng Eview
3. Phát hiện và khắc phục phương sai sai số thay đổi (PSSSTĐ)
4. Phát hiện và khắc phục đa cộng tuyến (ĐCT)
5. Phát hiện và khắc phục tự tương quan (TTQ)
6. Chọn lựa mô hình
===============================
GV. Trần Đức Luân
Tp HCM, tháng 03 năm 2009

I. SỬ DỤNG HỘP LỆNH CỦA EVIEW
(Câu lệnh từ Command Window of Eview)
-----------------
Trần Đức Luân Kinh tế lượng (Econometrics) Trang 2/32
------------------------------------
1. Tạo tập tin mới
WORKFILE Tên_tập_tin
2. Tạo biến mới:
GENR Tên_biến
Sau đó bấm OK, chọn đúp chuột vào tên_biến, chọn Edit+/- để nhập số
liệu vào!
GENR Tên_biến = F(BIẾN CŨ)
GENR Tên_biến = @Trend + 1 {đánh số thứ tự từ 1 đến n}
SERIES BIẾN_MỚI = F(BIẾN CŨ)
Ghi chú: Không nên tạo nhiều biến cho 1 workfile vì “sự thông minh” của Eview, ví dụ:
- Eview có thể trực tiếp biến đổi cấu trúc của biến: Y ; LOG(Y); Y/2; Y*Y
- Không tạo biến để giữ sự gọn nhẹ cho file dữ liệu
3. Hiển thị và đặt tên nhóm dữ liệu:
GROUP tên_nhóm SER1 SER2 SER3
Ghi chú: SE1 là tên của biến thứ 1, …, SER3 là tên biến thứ 3.
4. Vẽ đồ thị:
Dạng Line: SHOW SER1. LINE
Dạng Scatter: SCAT(Option) SER1
SCAT(Option) SER1 SER2 SER3
Các giá trị của Option bao gồm: r, o và m...
Dạng Bar: BAR(Options) SER1 SER2 SER3
Các giá trị của Option bao gồm: a, d, s, l và x...

-----------------
5. Dạng hàm SCALAR:
- Tìm thống kê T tra bảng: kí hiệu là t* hoặc tbảng
Cấu trúc hàm: SCALAR TSAO = @QTDIST(P,V)
Cụ thể: SCALAR TSAO = @QTDIST(1-α/2,n-k)
Với k là số hệ số hồi quy (kể cả số hệ số hồi quy của số hạng hằng số): tính từ β1 đến βk
Ví dụ: a. Hồi quy đơn biến: Yi = β1 + β2X2i + ui
Mô hình có số quan sát n=32 ; k=2 và α=5%
t*tra bảng = tn-2, α/2 = t32-2, 2.5%
=> Thực hành: SCALAR TSAO = @QTDIST(0.975, 30)
b. Hồi quy đa biến: Yi = β1 + β2X2i + β3X3i +β4X4i ui
t*tra bảng = tn-2, α/2 = t32-4, 2.5%
=> Thực hành: SCALAR TSAO = @QTDIST(0.975, 28)
Nếu trị tuyệt đối của ttính toán > t* thì bác bỏ giả thuyết Ho
- Tìm thống kê F tra bảng: kí hiệu F* hoặc Fbảng
Cấu trúc hàm: SCALAR FSAO = @QFDIST(P,V1,V2)
Cụ thể: SCALAR FSAO = @QFDIST(1-α,k-1,n-k)
Với k là số hệ số hồi quy (kể cả số hệ số hồi quy của số hạng hằng số): tính từ β1 đến βk
Ví dụ: a. Hồi quy đơn biến: Yi = β1 + β2X2i + ui
F*tra bảng = F(α)
(k-1), (n-k) = F5%
(1), (18)
=> Thực hành: SCALAR FSAO = @QFDIST(0.95,1,18)
b. Hồi quy đa biến: Yi = β1 + β2X2i + β3X3i +β4X4i ui
F*tra bảng = F(α)
(k-1), (n-k) = F5%
(3), (16)
=> Thực hành: SCALAR FSAO = @QFDIST(0.95,3,16)
Nếu Ftính toán > Fbảng thì bác bỏ giả thuyết Ho
- Tìm Prob(T-Statistic) = P-Value, khi biết T-Statistic (Ttính toán)
Cấu trúc hàm (nếu 2 đuôi):
SCALAR PValue_T = 2*{1- @CTDIST(@ABS(T tính toán), n-k)}
- Tìm P-value khi biết F-Statistic (F tính toán)
Cấu trúc hàm: SCALAR PValue_F = 1- @CFDIST(F tính toán, k-1, n-k)
- Tìm thống kê Chi bình phương:
Cấu trúc hàm: SCALAR Chisao=@QCHISQ(0.90,k-1)

6. Cú pháp ước lượng mô hình hồi quy:
- Phương pháp bình phương nhỏ nhất: LS Y C X2 X3 X4
- Phương pháp Logit, Probit: GRIM Y C X2 X3 X4
7. Từ phần mềm Microsoft Excel
Tìm P-Value thống kê T của các hệ số ước lượng:
PROB(βmũ) = TDIST(ABS(T-Statistic), bậc tự do, số đuôi kiểm định)
= TDIST(x, degrees_freedom, tails)
Tìm P-Value thống kê F:
PROB(F-Statistic) = FDIST(F-Statistic), bậc tự do của tử, bậc tự do của mẫu)
= FDIST(x,degrees_freedom1,degrees_freedom2)
II. THAO TÁC KIỂM ĐỊNH BẰNG EVIEW
1. Kiểm định sự có mặt của “Biến không cần thiết”
- Ước lượng mô hình (LS Y C X2 X3 X4)
- Chọn View/Coefficient Tests/Redundant Variables – Likelihood Ratio
- Gõ tên biến cần kiểm tra X4 vào hộp sau:
-----------------

- Kiểm định sự cần thiết của biến X4 trong mô hình.
Giả thuyết: Ho: β4 = 0 (Biến X4 không cần thiết)
H1: β4 khác 0 (Biến X4 là cần thiết)
Ta thấy Prob(F-Statistic) = 0.232548 > α = 0.05 nên chấp nhận giả thuyết Ho
Kết luận: Biến X4 không cần thiết trong mô hình.
2. Kiểm định biến bị bỏ sót
- Ước lượng mô hình (LS Y C X3 X4)
- Chọn View/Coefficient Tests/Omited Variables – Likelihood Ratio
- Gõ tên biến bỏ sót X2 vào hộp sau:
-----------------

- Kiểm định:
Giả thuyết: Ho: β2 = 0 (Biến X2 không cần thiết)
H1: β2 khác 0 (Biến X2 là cần thiết)
Ta thấy Prob(F-Statistic) = 0.002226 < α = 0.05 nên bác bỏ giả thuyết Ho
Kết luận: Biến X2 là cần thiết trong mô hình nhưng đã bị bỏ sót. Vì vậy, ta phải khắc phục
bằng cách đưa biến X2 vào mô hình.
3. Kiểm định WALD (kiểm tra sự có mặt của biến không cần thiết)
- Ước lượng mô hình không giới hạn U (Unrestrict): LS Y C X2 X3 X4 X5
- Nhìn vào kết quả trên, ta đoán X4 và X5 không cần thiết vì trị tuyệt đối của T-Statistic
nhỏ hơn 1.96. Ta sẽ dùng kiểm định Wald để test.
- Chọn View/Coefficient Tests/Wald Cofficient restrictions....
- Khai báo: C(4) = C(5) = 0 cho hộp thoại bên dưới. Lưu ý, 2 giá trị này lần lượt đại diện
cho hệ số ước lượng của biến X4 và X5.
-----------------

- Kiểm định:
Giả thuyết: Ho: β4= β5 = 0 (Biến X4 và X5 là không cần thiết)
H1: β4, β5 khác 0 (Biến X4 và X5 là cần thiết)
Ta thấy Prob(F-Statistic) = 0.332 > α = 0.05 nên chấp nhận giả thuyết Ho
Kết luận: Biến X4 và X5 là biến không cần thiết trong mô hình.
III. PHÁT HIỆN VÀ KHẮC PHỤC PHƯƠNG SAI SAI SỐ THAY ĐỔI
1.Phát hiện
Cách 1. Vẽ đồ thị
Nếu hồi quy đơn biến:
- Chạy mô hình hồi quy: LS Y C X
- Đặt tên biến cho phần dư RESID: GENR U = RESID
- Lấy biến X và U để vẽ đồ thị: SCAT X U
- Ta có thể vẽ đồ thị biến X và U^2: SCAT X U^2
- Nhận xét?
Nếu hồi quy đa biến:
- Chạy mô hình hồi quy: LS Y C X2 X3 X4 X5
- Đặt tên biến cho phần dư RESID: GENR U = RESID
- Vì có nhiều biến X nên ta dùng Ymũ để vẽ đồ thị. Ymũ sẽ đại diện cho tổ hợp tuyến
tính của các biến X2, X3, X4 và X5 trong mô hình. Bây giờ, ta tạo biến Ymũ=YF theo cú
pháp trong hộp lệnh của Eview: FORECAST YF
-----------------

- Vẽ đồ thị: SCAT YF U hoặc SCAT YF U^2
- Nhận xét?
Ví dụ minh hoạ: Chạy mô hình: LS WAGE C EDU EXPER
Tạo biến: GENR U = RESID
FORECAST WAGEF
Vẽ đồ thị: SCAT WAGEF U
=> Nhìn vào đồ thị này ta nghi ngờ có hiện tượng PSSSTĐ
Trong đó: WAGEmũ = WAGEF (là biến tiền lương - Y)
EDU và EXPER (là biến giáo dục và kinh nghiệm – X)
Cách 2. Kiểm định LM (gồm có 4 trường phái)
(1) Breusch & Pagan (1979)
- Bước 1: Chạy mô hình gốc: Y = β1 + β2X2 + β3X3 + β4X4 + β5X5 + u
Cú pháp: LS Y C X2 X3 X4 X5
- Bước 2: Tạo biến phần dư GENR U1=RESID^2
- Bước 3: Chạy hồi quy phụ: U1 = α1 + α2X2 + α3X3 + α4X4 + α5X5 + u
Cú pháp: LS U1 C X2 X3 X4 X5 -----> Tìm R2
phụ 1
- Bước 4: Tính trị số LM1 SCALAR LM1 = n* R2
phụ 1
- Bước 5: Tìm thống kê Chi bình phương SCALAR Chisao=@QCHISQ(1-α, p-1)
Trong đó: p là số hệ số hồi quy của mô hình hồi quy phụ (bước 3)
- Bước 6: Dựa vào hồi quy phụ ở bước 3, ta đặt giả thuyết sau:
Ho: α2 = α3 = α4 = α5 = 0 (Không có PSSSTĐ)
H1: có ít nhất 1 α ở trên khác 0 (Có PSSSTĐ)
- Bước 7: Kiểm định: Nếu LM1 > Chisao thì bác bỏ Ho.
-----------------

-----------------
Ví dụ minh hoạ: B1. Chạy mô hình: LS WAGE C EDU EXPER
B2. Tạo biến: GENR U1 = RESID^2
B3. Chạy hồi quy phụ: LS U1 C EDU EXPER
Dependent Variable: U1
Method: Least Squares
Date: 03/09/09 Time: 15:39
Sample: 1 49
Included observations: 49
Variable Coefficient Std. Error t-Statistic Prob.
C -461038.1 204034.4 -2.259610 0.0286
EDUC 114447.1 25015.36 4.575071 0.0000
EXPER 3170.299 9492.638 0.333974 0.7399
R-squared 0.321972 Mean dependent var 279351.5
Adjusted R-squared 0.292492 S.D. dependent var 470464.1
S.E. of regression 395723.8 Akaike info criterion 28.67409
Sum squared resid 7.20E+12 Schwarz criterion 28.78992
Log likelihood -699.5152 F-statistic 10.92188
Durbin-Watson stat 2.111373 Prob(F-statistic) 0.000131
B4. Tính LM1: SCALAR LM1= 49*0.321972
Kết quả: LM1= 15.78
B5. Tra thống kê Chi bình phương:
SCALAR Chisao=@QCHISQ(0.9, 2)
Kết quả: Chisao= 4.61
B6. Giả thuyết
Ho: α2 = α3 = 0 (Không có PSSSTĐ)
B7. Kiểm định: Vì LM1 > Chisao nên bác bỏ Ho.
Kết luận: Có PSSSTĐ
(2) Gleiser (1969)
- Bước 2: Tạo biến phần dư GENR U2= ABS(RESID)
phụ 2
phụ 2

Ví dụ minh họa: B1. Chạy mô hình: LS WAGE C EDU EXPER
B2. Tạo biến: GENR U2 = ABS(RESID)
Date: 03/09/09 Time: 15:56
Sample: 1 49
C -200.0007 142.9725 -1.398875 0.1686
EDUC 88.15297 17.52895 5.028993 0.0000
EXPER 6.821573 6.651753 1.025530 0.3105
Sum squared resid 3537044. Schwarz criterion 14.26313
B6. Giả thuyết
(3) Harvey & Godfrey (1976, 1979)
- Bước 2: Tạo biến phần dư GENR U3= LOG(RESID^2)
phụ 3
phụ 3
-----------------

-----------------
B2. Tạo biến: GENR U3 = LOG(RESID^2)
Date: 03/09/09 Time: 16:02
Sample: 1 49
C 8.221451 0.866690 9.486038 0.0000
EDUC 0.421441 0.106259 3.966156 0.0003
EXPER 0.051153 0.040322 1.268610 0.2110
Sum squared resid 129.9758 Schwarz criterion 4.051680
B6. Giả thuyết
(4) White (1980)
- Bước 1: Chạy mô hình gốc: Y = β1 + β2X2 + β3X3 + β4X4 + u
Cú pháp: LS Y C X2 X3 X4
- Bước 2: Tạo biến phần dư GENR U4= RESID^2
- Bước 3: Chạy hồi quy phụ: U4 = α1 + α2X2 + α3X3 + α4X4 +α5X2^2 + α6X3^2 + α7X4^2
+ α8X2*X3 + α9X2*X4 + α10X3*X4 + u
Cú pháp: LS U4 C X2 X3 X4 X2^2 X3^2 X4^2 X2*X3 X2*X4 X3*X4

-----------------
-----> Tìm R2
phụ 4
phụ 4
Ho: α2 = α3 = .... = α10 = 0 (Không có PSSSTĐ)
B2. Tạo biến: GENR U4 = RESID^2
B3. Chạy hồi quy phụ:
LS U4 C EDU EXPER EDUC^2 EXPER^2 EDU*EXPER
Date: 03/09/09 Time: 16:16
Sample: 1 49
C 605822.6 547782.3 1.105955 0.2749
EDUC -228736.0 143501.5 -1.593962 0.1183
EXPER -14875.04 40932.19 -0.363407 0.7181
EDUC^2 25901.89 9270.000 2.794163 0.0077
EXPER^2 1507.401 1537.457 0.980451 0.3323
EDUC*EXPER -1829.057 4172.441 -0.438366 0.6633
Sum squared resid 5.65E+12 Schwarz criterion 28.78544
B6. Giả thuyết
Ho: α2 = α3 =….= α6 = 0 (Không có PSSSTĐ)

Ví dụ: Phát hiện nhanh PSSSTĐ trên EVIEW khi dùng kiểm định WHITE
B1: Chạy mô hình gốc: LS WAGE C EDUC EXPER
B2: Ra kết quả, vào VIEW/RESIDUAL TEST/WHITE …..(cross terms)
B3: Nhìn vào bảng kiểm định
-----------------

Ta thấy: LM4= obs*R-Squared = 22.937 > Chisao = 4.61
hoặc P-Value = 0.000347 < α = 5%
Kết luận: bác bỏ Ho. Vậy mô hình có hiện tượng PSSSTĐ
Cách 3. Kiểm định Goldfeld-Quandt
B1. Sắp xếp dữ liệu theo giá trị tăng dần của biến X nào đó (biến bị tình nghi nhất!!!)
B2. Bỏ c quan sát ở giữa, chia (n-c) quan sát còn lại thành 2 phần, mỗi phần gồm (n-c)/2 quan sát
B3. Chạy mô hình cho nhóm (n-c)/2 quan sát thứ nhất, ta có ESS1
B4. Chạy mô hình cho nhóm (n-c)/2 quan sát thứ hai, ta có ESS2
B5. Tính hệ số: ESS2/{(n-c-2k)/2}
Ftt = ---------------------------------
ESS1/{(n-c-2k)/2}
B6. Tra bảng thống kê F: Ftra bảng = Fα
,{(n-c-2k)/2}, {(n-c-2k)/2}
B7. Kiểm định giả thuyết: bác bỏ Ho nếu Ftt > Ftra bảng
-----------------

2. Khắc phục PSSSTĐ bằng phương pháp trọng số
- Theo lý thuyết, khi biết σ2
t, ta dùng Generalized (or Weighted) Least Squares – WLS để thực hiện
việc khắc phục bệnh này. Tuy nhiên, trên thực tế, ta không biết σt, vì vậy tác giả của tài liệu này không
phí thời gian cho việc trình bày cái không có thật!
- Chúng ta hãy dành thời gian cho việc khắc phục PSSSTĐ khi không biết σ2
t, ta dùng Feasible
Generalized Least Squares (FGLS) và thực hiện theo 4 trường phái: (1) Breusch & Pagan, (2) Glejser,
(3) Harvey & Godfrey và (4) White, các bước thực hành được trình bày dưới đây:
2.1 Breusch – Pagan (1979)
Ví dụ: Mô hình Y = β1 + β 2X2 + β 3X3 + β 4X4 + u
Thực hành:
Gõ trên hộp lệnh của Eview:
LS Y C X2 X3 X4
GENR U1=RESID^2
LS U1 C X2 X3 X4
FORECAST U1F
GENR SO1=U1F>0
GENR UMOI1=(SO1*U1F)+(1-SO1)*U1
GENR WT1=1/@SQRT(UMOI1)
Bấm Ctr và chọn các biến Y, X2, X3 và X4. Sau đó Open/as group
Bấm vào Procs/Make Equation
- Khai báo Y C X2 X3 X4
- Chọn Option. Sau đó, ấn nút nhấn vào Weighted LS, gõ WT1
- Bấm OK. Ta được mô hình ước lượng mới (có trọng số là WT1).
-----------------
Tiếp theo, ta dùng kiểm định White để kiểm tra lại xem có còn PSSSTD nữa
không? Cách làm: Tại cửa sổ kết quả của mô hình ước lượng mới (Equation:), ta

bấm VIEW/RESIDUALS TEST/WHITE HETERO…(Cross term). Nếu kết quả
cho thấy Prob(Obs*R-Square) > α, thì ta chấp nhận Ho. Tức là không còn
PSSSTD. Nếu vẫn còn thì ta áp dụng cách chữa bệnh khác cho mô hình.
2.2. Glesjer (1969)
Thực hành:
LS Y C X2 X3 X4
GENR U2=ABS(RESID)
LS U2 C X2 X3 X4
FORECAST U2F
GENR WT2=1/U2F
không? Tại cửa sổ kết quả của mô hình ước lượng mới (Equation:), ta bấm
VIEW/RESIDUALS TEST/WHITE HETERO…(Cross term). Nếu kết quả cho
thấy Prob(Obs*R-Square) > α, thì ta chấp nhận Ho. Tức là không còn PSSSTD.
Nếu vẫn còn thì ta áp dụng cách chữa bệnh khác cho mô hình.
2.3.
-----------------

Harvey & Godrey (1976, 1979)
Thực hành:
LS Y C X2 X3 X4
GENR U3=LOG(RESID^2)
LS U3 C X2 X3 X4
FORECAST U3F
GENR UMOI3=EXP(U3F)
2.4. WHITE (1980)
Thực hành:
LS Y C X2 X3 X4
-----------------

GENR U4=RESID^2
LS U4 C X2 X3 X4 X22
X32
X42
X2*X3 X2*X4 X3*X4
FORECAST U4F
GENR NUM1=U4F>0
GENR UMOI4=(NUM1*U4F)+(1-NUM1)*U4
2.5. Và dùng cách khác (xem thêm tài liệu của thầy Nguyễn Duyên Linh)
-----------------

IV. PHÁT HIỆN VÀ KHẮC PHỤC ĐA CỘNG TUYẾN
1. Cách phát hiện
- Nhìn vào bảng kết xuất của phần mềm Eview, nếu R2
cao, trị thống kê t thấp, hoặc dấu hệ số hồi
quy khác với dấu kỳ vọng thì ta nghi ngờ có ĐCT. Ví dụ:
Nhận xét: - R2
= 0.95 là cao nên ta nghi ngờ có đa cộng tuyến xảy ra trong mô hình.
- Dấu của MILES khác kỳ vọng
- Mở các biến, vào VIEW/CORRELATONS để xây dựng ma trận hệ số tương quan cặp giữa các
biến giải thích, ví dụ:
COST AGE MILES
COST 1.000000 0.948823 0.926548
AGE 0.948823 1.000000 0.996465
MILES 0.926548 0.996465 1.000000
Nhận xét: Hệ số tương quan giữa AGE và MILES là 0.996465 (tương quan đồng biến,
mức độ mạnh or cao). Nên ta nghi ngờ có đa cộng tuyến xảy ra trong mô hình. Trừ
trường hợp đặc biệt, có một số trường hợp, khi hệ số tương quan cặp giữa các biến giải
thích thấp nhưng vẫn xảy ra đa cộng tuyến.
- Hệ số hồi quy nhạy với đặc trưng (đổi dấu hoặc thay đổi mạnh hệ số ước lượng)
Dùng hồi quy phụ
Chạy mô hình hồi quy gốc
LS Y C X2 X3 X4 (Ta tìm được R2
gốc)
Chạy mô hình hồi quy phụ
LS X2 C X3 X4 (Ta tìm được R2
phụ 1)
phụ 2)
-----------------

-----------------
phụ 3)
Áp dụng nguyên tắc ngón tay cái – Rule of Thumb của Klien. Nếu ít nhất một R2
của hồi
quy phụ lớn hơn R2
của hồi quy gốc thì thì có đa cộng tuyến xảy ra.
R2
phụ i > R2
gốc, với i=1 đến 3
- Nhân tử phóng đại phương sai VIF
VIF = 1/(1- R2
phụ i)
Nếu VIF ≥ 10 (tương đương R2
phụ i > 0.9 ) thì có đa cộng tuyến.
2. Cách khắc phục
- Sử dụng thông tin tiên nghiệm
- Tăng kích thước mẫu
- Bỏ biến
- Tái thiết lập mô hình toán học
- Chấp nhận đa cộng tuyến “Sống chung với lũ” trong trường hợp mục tiêu của mô hình là dự báo.
- Phải xử lý đa cộng tuyến nếu mục tiêu của mô hình là giải thích tác động biên
V. PHÁT HIỆN VÀ KHẮC PHỤC TỰ TƯƠNG QUAN
1. Cách phát hiện
1.1 Phương pháp đồ thị
LS Y C X
GENR U=RESID
GENR T=@TREND()+1
SCAT T U
SCAT U(-1) U
SCAT RESID(-1) RESID
Nhìn vào đồ thị trên, ta nhận xét mối quan hệ giữa T (thời gian) và U (phần dư –resid). Sau đó,
đưa ra nhận định khái quát về sự tồn tại của tương quan chuỗi.
1.2 Kiểm định Durbin-Watson (DW)
Là phép kiểm định phổ biến cho tương quan chuỗi bậc 1, ký hiệu AR(1). Ví dụ: tương quan
chuỗi bậc 1 được mô tả cho mô hình hồi quy bội như sau: Yt = β1 + β 2X2t + β 3X3t + ut . Với

ut = ρut-1 + εt. Như vậy, thực chất, tương quan chuỗi được thể hiện thông qua mối quan hệ giữa ut
và ut-1.
LS Y C X2 X3 (♥)
GENR UM=RESID^2
GENR UT=(RESID-RESID(-1))^2
SCALAR DW=@SUM(UT)/@SUM(UM) {Giá trị DW này gần bằng với Durbin-Watson
Stat trong bảng kết xuất Eview từ mô hình(♥)}
Sau khi tính được trị thống kê DW, ta tra bảng ở phần phụ lục của tài liệu Thầy Nguyễn Duyên
Linh để tìm dL và du. Chú ý: trong bảng tra này, α là 5%, n là số quan sát, k’ là số hệ số hồi quy
(không kể số hạng hằng số). Sau đó, đặt giả thuyết kiểm định tương quan chuỗi dương (nếu DW
< 2), tương quan chuỗi âm (nếu DW > 2) và nhìn vào bảng sau để ra quyết định:
Tương quan chuỗi dương Tương quan chuỗi âm
H1: p>0 H1: p<0
Bác bỏ Chưa thể Chấp nhận Ho Chưa thể Bác bỏ
Ho: p=0 kết luận kết luận Ho: p=0
0 dL du 2 4-du 4-dL 4
Lưu ý khi sử dụng kiểm định Durbin-Watson:
- Kiểm định này không áp dụng cho tương quan chuỗi bậc cao.
- Nếu số biến giải thích lớn thì không tìm được dL và du trong bảng tra.
- Kiểm định không hợp lệ nếu biến giải thích bao gồm biến phụ thuộc có hiệu ứng trễ.
1.3. Kiểm định Lagrange (LM)
LS Y C X2 X3
GENR U=RESID
GENR U1=RESID(-1)
(Tiếp theo, ta điều chỉnh lại vùng dữ liệu thao tác, lấy sample từ quan sát thứ 2
trở đi để chạy LS cho hồi quy phụ. Ta vào hàng trên cùng của hộp lệnh
PROCS/SAMPLE, ta sửa 1 n thành 2 n và bấm OK).
LS U C X2 X3 U1
SCALAR LM = (n-1)*R2
hqp
SCALAR CHISAO = @QCHISQ(1-α, 1)
Sau đó, đặt giả thuyết kiểm định tương quan chuỗi
Ho: ρ = 0 (không có tương quan chuỗi)
H1: ρ ≠ 0 (tồn tại tương quan chuỗi)
-----------------

Dựa vào kết quả tính toán trên, ta sẽ bác bỏ Ho nếu LM>CHISAO. Tức là mô hình hồi quy bị vi
phạm giả thiết, đó là tồn tại hiện tượng autocorrelation (tương quan chuỗi) bậc 1.
1.4.Kiểm định BG – Breush & Godfrey (kiểm định tương quan chuỗi bậc p, với p≥1. Thực chất, đây là
một thủ tục của phép kiểm định Lagrange, LM)
Cách 2: Thực hiện bằng thao tác cơ bản
LS Y C X2 X3
GENR U=RESID
GENR U1=RESID(-1)
GENR U2=RESID(-2)
……..
GENR Up=RESID(-p)
(Tiếp theo, ta điều chỉnh lại vùng dữ liệu thao tác, lấy sample từ quan sát thứ p+1
PROCS/SAMPLE, ta sửa 1 n thành p+1 n và bấm OK).
LS U C X2 X3 U1 U2 ….. Up
SCALAR LM = (n-p)*R2
hqp
SCALAR CHISAO = @QCHISQ(1-α, p)
Sau đó, đặt giả thuyết kiểm định tương quan chuỗi
Ho: ρ = 0 (không có tương quan chuỗi)
H1: ρ ≠ 0 (tồn tại tương quan chuỗi)
Dựa vào kết quả tính toán trên, ta sẽ bác bỏ Ho nếu LM>CHISAO. Tức là mô hình hồi quy bị vi
phạm giả thiết, đó là tồn tại hiện tượng autocorrelation (tương quan chuỗi) của ít nhất một bậc nào
đó (từ bậc 1 đến bậc p).
Cách 2: Thực hiện bằng thao tác nhanh trên Eview – kiểm định BG
LS Y C X2 X3
Tại hộp Equation: chọn VIEW/RESIDUAL TESTS/Serial Correlation LM Test… Xuất hiện hộp
Lag Specificaion, ta gõ số bậc p vào. Ví dụ kiểm định tương quan bậc 2, ta gõ vào số 2.
-----------------

Bấm OK, ta được bảng kết quả sau:
Nhận xét:
- Ta thấy LM= Obs*R-squared = 16.73148
- Prob(Obs*R-squared = 16.73148) = 0.000233 < α = 0.05, nên ta bác bỏ Ho, có nghĩa là tồn
tại tương quan chuỗi.
2. Cách khắc phục
Thay đổi dạng hàm số (xem tài liệu Thầy Nguyễn Duyên Linh)
Các thủ tục khác:
Giả sử ta có mô hình sau: Yt = β1 + β2 X2t.
2.1.Nếu biết ρ
Phương trình tự hồi quy bậc 1: Ut = ρUt-1 + ε t , với -1 < ρ < 1
LS Y-ρ*Y(-1) C X-ρ*X(-1)
Sau đó, ta dùng kiểm định BG để test lại xem có còn tương quan chuỗi hay không?
-----------------

Nhận xét: Prob(Obs*R-Squared) = 0.2028 > α = 0.05 nên chấp nhận Ho. Tức không còn tương
quan chuỗi.
Lưu ý: Nếu Prob(Obs*R-Squared) < α thì ta áp dụng cách khác để chữa bệnh autocorrelation.
2.2. Nếu không biết ρ
Giả sử ta có mô hình sau: Yt = β1 + β2 X2t + β3 X3t.
a. Ước lượng ρ bằng thủ tục Cochrane – Orcutt (1994)®
LS Y C X2 X3 (•)
GENR U = RESID
SCALAR Ro = @SUM(U*U(-1))/@SUM(U^2) hoặc LS U U(-1) -> hệ số Ro = hệ số
ước lượng của mô hình này. Hệ số
Ro chính là ρ bậc 1.
(Tiếp theo, ta điều chỉnh lại vùng dữ liệu thao tác, lấy sample từ quan sát thứ 2
PROCS/SAMPLE, ta sửa 1 n thành 2 n và bấm OK).
-----------------
®
Nguồn: Ramu Ranamathan, Introductory Economics with application, Chapter 9. Serial Correlation, page 445.

GENR YM = Y-P*Y(-1)
GENR X2M = X2-P*X2(-1)
GENR X3M = X3-P*X3(-1)
LS YM C X2M X3M (••)
(Từ mô hình này, ta tìm ra các hệ số ước lượng β∗
1, β∗
2, β∗
3. Ta thay các giá trị
này vào mô hình
(•)
để tìm các giá trị Resid mới. Các hệ số β2, β3 của mô
hình gốc(•)
sẽ bằng với β∗
2, β∗
3 của mô hình biến đổi
(••)
. Riêng hệ số β1 của
mô hình gốc(•)
để tính cho UM bên dưới phải được điều chỉnh lại là =
β∗
1/(1−ρ)
GENR UM= Y – β1/(1−ρ) + β2X2+ β3∗X3)
SCALAR RoM = @SUM(UM*UM(-1))/@SUM(UM^2) hoặc LS UM UM(-1) -> hệ
số RoM= hệ số ước lượng β. ΡοM
là ρ mới
Sau đó, ta sẽ so sánh Ro và RoM để áp dụng “quy tắc dừng”. Nếu hiệu số RoM– Ro của 2 thủ
tục liên tiếp nhau rất nhỏ (bằng 0,001 hay 0,005) thì ta sẽ dừng lại. Ta lấy ρ cuối cùng để ước
lượng mô hình: LS Y-ρ*Y(-1) C X2-ρ*X2(-1) X3-ρ*X3(-1)
Ví dụ 1:
LS Y C X
GENR U=RESID
LS U U(-1)
Nhìn vào kêt quả trên ta có ρ = 0.0893
-----------------

GENR YM = Y-0.0893*Y(-1)
GENR XM = X-0.0893*X(-1)
LS YM C XM
Ta kiểm tra tương quan chuỗi bằng kiểm định BG. Nếu Prob(Obs*R-Squared) > α thì ta dừng
lại. Nếu Prob(Obs*R-Squared) < α thì ta tiếp tục thực hiện như sau:
GENR UM= Y – 22.88289/(1-0.0893) − 0.689327∗X
LS UM UM(-1)
Ta được giá trị ρ mới của vòng 2. Thủ tục này tiếp tục cho đến khi các hiệu số của các ρ liên tiếp
nhỏ hơn 0.001 thì chọn ρ sau cùng.
b. Thủ tục tìm kiếm Hildreth-Lu (1960)
Ý tưởng: ước lượng nhiều mô hình OLS, với ρ chạy từ -1 đến 1. Bước nhảy cho ρ là 0,05 hoặc
0,01. Giá trị ρ được chọn khi mô hình ước lượng nào cho kết quả ESS nhỏ nhất.
Thực hiện:
Cho ρ= 1.00 chạy LS Y-1.00*Y(-1) C X2-1.00*X2(-1) X3-1.00*X3(-1)
…….
Cho ρ= -1.00 chạy LS Y-(-1.00)*Y(-1) C X2-(-1.00)*X2(-1) X3-(-1.00)*X3(-1)
Sau đó ta lập nhìn vào kết quả của các mô hình, lấy giá trị ESS (Sum Squared Resid) để
lập thành bảng:
ρi 1.00 0.95 0.90 …… -1.00
ESSi ESS1 ESS2 ESS3 ESSj
-----------------

Nhìn vào hàng 2, ta chọn ρ có ESS nhỏ nhất.
So sánh 2 thủ tục HILU và CORC thông qua hình (A)
ESS(ρ)
Điểm cực tiểu
toàn cục
cục bộ
(Local minimum)
(Global Minimum)
ρ
-1 0 +1
Nhận xét: Thủ tục HILU phải thực hiện nhiều lần nếu bước nhảy ρ nhỏ nhưng có thể tìm được
điểm cực tiểu toàn cục. Bước nhảy lớn thì mức độ sai số khi chọn ρ sẽ cao. Thủ tục CORC có
thể tìm được điểm cực tiểu cục bộ nhưng cũng có thể bỏ qua điểm cực tiểu toàn cục.
So sánh 2 thủ tục HILU và CORC thông qua hình (B)
-----------------
ESS(ρ)
cục bộ
(Local minimum)
0.00 0.50 +1.00
ρ
toàn cục
(Global Minimum)
I
F

-----------------
Nhận xét:
- Thủ tục CORC nếu bắt đầu ở ρ = 0.50 thì rất dễ đạt cực tiểu ở ρ tại điểm I. Trong khi đó, nếu
dùng thủ tục HILU thì phải chọn ρ nằm tại vị trí F. Như vậy ta rất dễ dẫn đến 2 kết quả khác
nhau khi áp dụng một trong hai thủ tục này.
- Vì thế, trường hợp này sẽ là tốt nhất nếu ta áp dụng phương pháp lai kết hợp giữa HILU và
CORC. Kết quả sẽ chọn giá trị cực tiểu tại F vì ta khai thác được lợi thế so sánh của từng
phương pháp.
c. Phương pháp Durbin –Watson 2 bước để tìm ρ:
Ý tưởng: Ta sẽ ước lượng mô hình Y = β1*(1-ρ) + β2*Xt - ρ*β2Xt-1 + ρYt-1 + et. Sau đó, ta tìm
được ρ. Thay ρ vào mô hình Y - ρYt-1 = β1*(1-ρ) + β2*(Xt - ρ*Xt-1) + et để thu được các tham số
ước lượng.
Thực hiện: Gõ trên hộp lệnh của Eview:
LS Y C X X(-1) Y(-1)
{Ta tìm được ρ= hệ số ước lượng của biến Y(-1)}.Ví dụ: ρ= 0.64. Tiếp
theo, ta thay ρ này vào mô hình cần ước lượng như sau:
LS Y-0.64*Y(-1) C X–0.64*X(-1)
(Ta thu được các tham số cần tìm)
d. Tương quan chuỗi bậc cao – Kiểm định LM Breusch-Godfrey
LS Y C X2 X3 (••)
GENR U=RESID
GENR U1=RESID(-1)
GENR U2=RESID(-2)
……..
GENR Up=RESID(-p)
(Tiếp theo, ta điều chỉnh lại vùng dữ liệu thao tác, lấy sample từ quan sát thứ p+1
PROCS/SAMPLE, ta sửa 1 n thành p+1 n và bấm OK).
LS U U1 U2 ….. Up
(Ta tìm được ρ1, ρ2, …, ρp thông qua các hệ số ước lượng của mô hình trên)
GENR YM = Y-ρ1*Y(-1) -ρ2*Y(-2) ….-ρp*Y(-p)
GENR X2M = X2-ρ1*X2(-1) -ρ2*X2(-2) ….-ρp*X3(-p)
GENR X3M = X3-ρ1*X3(-1) -ρ2*X3(-2) ….-ρp*X3(-p)
LS YM C X2M X3M

-----------------
(Từ mô hình này, ta tìm ra các hệ số ước lượng β∗
1, β∗
2, β∗
3. Ta thay các giá trị
này vào mô hình (••) để tìm các giá trị Resid mới)
GENR UM= Y – β1 /(1−ρ1−ρ2...−ρp) + β2X2+ β3∗X3)
LS UM UM(-1) UM(-2)…. UM(-p)
(Ta tìm được ρ1, ρ2, …, ρp mới thông qua các hệ số ước lượng của mô hình)
Sau đó, ta sẽ áp dụng “quy tắc dừng”. Nếu kết quả tính toán liên tiếp này sai lệch nhỏ hơn 0,001
hay 0,005 thì ta sẽ dừng lại. Ta lấy các hệ số ρi cuối cùng để ước lượng mô hình cần tìm.
e. Sử dụng AR(p) trong Eview
Trong Eview cho phép chúng ta sử dụng ký hiệu AR(1) cho mô hình có tương quan bậc 1, AR(2) cho mô
hình có tương quan bậc 2 và AR(p) cho mô hình có tương quan bậc p. Vì vậy, ta có thể gõ trực tiếp từ cửa
sổ lệnh. Ví dụ, nếu tương quan bậc 1, ta gõ:
LS Y C X2 X3 AR(1).
Diễn giải kết quả như sau:
- Hệ số ước lượng β4 của AR(1) cho ta biết giá trị của ρ.
- Các hệ số β1, β2 và β3 chính là hệ ước lượng của mô hình ban đầu: Y = β1 + β2∗X2 + β3∗X3
- Hàng: Convergence achieved after 5 iterations là kết quả ước lượng hội tự sau 5 lần lặp.
- Ngoài ra, ta nhìn vào thống kê Durbin-Watson để kiểm định hiện tượng tương quan chuỗi
bằng cách xem DW và giá trị dL và du tra bảng.
Ví dụ minh hoạ:
- Mô hình hồi quy gốc:
Dependent Variable: CONS
Date: 03/09/09 Time: 22:59
Sample: 1959 1997
C -184.2362 21.44656 -8.590477 0.0000
INC 0.696330 0.004201 165.7706 0.0000
- Kiểm định tự tương quan bậc 1:

-----------------

-----------------
Giả thuyết:
Ho: ρ1 = 0 (không có tự tương quan bậc 1)
H1: ρ1 khác 0 (có tự tương quan bậc 1)
Ta thấy P-Value = 0.002001 < α = 5% nên bác bỏ Ho. Tức có tự tương quan bậc 1.
- Khắc phục:
Dependent Variable: CONS
Date: 03/09/09 Time: 23:07
Sample(adjusted): 1960 1997
Included observations: 38 after adjusting endpoints
Convergence achieved after 5 iterations
C -178.7796 41.73934 -4.283240 0.0001
INC 0.694401 0.007911 87.77467 0.0000
AR(1) 0.520235 0.153093 3.398160 0.0017
Inverted AR Roots .52
Kiểm định:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.567091 Probability 0.456600
Obs*R-squared 0.623409 Probability 0.429783
Ta thấy P-Value = 0.4297 > α =5% nên chấp nhận Ho. Mô hình không còn tự tương quan.
VI. CHỌN LỰA MÔ HÌNH
1. Trường hợp các mô hình có biến phụ thuộc giống nhau
Ta chọn mô hình nào có nhiều tiêu chí được thỏa mãn nhất. Các tiêu chí bao gồm:
- R2
(mô hình đơn biến) cao: = 1 – ESS/TSS
- R2
hiệu chỉnh (đa biến) cao: = 1 - {ESS/(n-k)} / {TSS/(n-1)}
- Các trị T-statistic của các biến giải thích có ý nghĩa thống kê trong mô hình. Hay có
nghĩa là Prob(T-statistic) < α.
- Prob (F-Statistic) < α (Mô hình phù hợp)
- Chỉ số AIC = (ESS/n)*e2k/n
thấp
- Chỉ số SCHWARZ = (ESS/n)*nk/n
thấp

-----------------
2. Trường hợp các mô hình có biến phụ thuộc khác nhau.
Ví dụ: mô hình Line-Line hay mô hình Log-Log?
Sự lựa chọn mô hình hồi quy tuyến tính (Line-Line) hay là mô hình hồi quy tuyến tính Logarít (Log-
Log) là câu hỏi muôn thuở trong phân tích thực nghiệm. Về lý thuyết, ta có thể sử dụng phép thử do
Mackinnon, White và Davidson (MWD)1
.
Phép thử MWD như sau:
LS Y C X2 X3 X4
FORECAST YF
LS LOG(Y) C LOG(X2) LOG(X3) LOG(X4)
FORECAST LOGYF
Cách 1: GENR Z1=LOG(YF) – LOGYF
LS Y C X2 X3 X4 Z1
Ho: Mô hình Line-Line
H1: Mô hình Log-Log
Ta bác bỏ Ho nếu Prob(T-Statistic của biến Z1) < mức ý nghĩa α.
Hoặc cách 2: GENR Z2 = EXP(LOGYF) - YF
LS LOG(Y) C LOG(X2) LOG(X3) LOG(X4) Z2
Ho: Mô hình Log-Log
H1: Mô hình Line-Line
Ta bác bỏ Ho nếu Prob(T-Statistic của biến Z2) < mức ý nghĩa α.
Lời kết:
Tài liệu này giúp sinh viên có thể sử dụng thực hành khi làm việc trên máy tính. Các bước thực hành
được trình bày chủ yếu bằng các câu lệnh và hàm (commands và function) trên “hộp thoại nóng” của
phần mềm Eview vì mục đích tinh gọn tài liệu. Tuy vậy, khi thực hành, các bạn nên đối chiếu tài liệu này
và lý thuyết hướng dẫn trong các tài liệu gốc đã giới thiệu cho lớp nếu thấy có điều gì chưa sáng tỏ. Các
hướng dẫn về mô hình hồi quy xác suất, dữ liệu bảng và dự báo Arima sẽ được bổ sung sau.
Chúc các bạn học tốt!
ThS. Trần Đức Luân
1
“Mackinnon, White và Davidson, Test for Model Specification in the present of Alternative Hyppothesis; Some further Results, 1983”
được trích dẫn trong quyển Kinh tế lượng cơ bản của Gujarati, thuộc bản dịch của Cao Hào Thi, Chương 8, trang 31)

Hướng dẫn thực hành kinh tế lượng ( phần mềm Eviews)

More Related Content

What's hot (20)

Viewers also liked (10)

Similar to Hướng dẫn thực hành kinh tế lượng ( phần mềm Eviews) (20)

Recently uploaded (13)

Hướng dẫn thực hành kinh tế lượng ( phần mềm Eviews)