HIỆN TƯỢNG PHƯƠNG SAI THAY ĐỔI pps

HIỆN TƯỢNG PHƯƠNG SAI THAY ĐỔI
I – Lý thuyết
1. Định nghĩa
• Phương sai sai số thay đổi sảy ra khi giả thiết:
Var(Ui) = σ
2
bị vi phạm
Khi giả thiết phương sai sai số đồng đều bị vi phạm thì mô hình hồi
quy gặp phải hiện tượng này.
2. Nguyên nhân
• Do bản chất của vấn đề kinh tế
• Do kỹ thuật thu thập và sử lý số liệu
• Con người rút được kinh nghiệm từ quá khứ
• Có các quan sát ngoại lai (quan sát khác biệt rất nhiều với các quan sát
khác trong mẫu)
• Mô hình định dạng sai, bỏ sót biến thích hợp hoặc dạng giải tích của
hàm là sai.
3. Hậu quả
• Các ước lượng bình phương nhỏ nhất β^ là ước lượng tuyến tính
không chệch nhưng không hiệu quả.
• Các ước lượng của các phương sai là các ước lượng chệch
=> Làm giá trị của thông kê T& F mất ý nghĩa.
• Các bài toán về ước lượng & kiểm định dự báo khi sử dụng thông kê
T&F là không đáng tin cậy
4. Phương pháp phát hiện
• Phương pháp đồ thị phần dư
• Sử dụng tiêu chuẩn kiểm định
– Kiểm định Park
– Kiểm định Glejser
– Kiểm định White No cross terms (Kiểm định White không lát
cắt)

Phương pháp đồ thị phần dư
• Ta hồi quy mô hình hồi quy gốc
Yi=β1+ β2X2i+β3X3i+….+βkXki+Ui
Ta thu được phần dư ei
Vẽ đồ thị phần dư ei(ei2) đối với Xi(hoặc với Ŷi trong trường hợp hồi quy
nhiều biến)
Nếu độ rộng của biểu đồ phần dư tăng hay giảm khi X tăng thì giả thiết về
phương sai hằng số có thể không thỏa mãn
Kiểm định Park
• Hồi quy mô hình gốc để thu được phần dư ei
Ước lượng mô hình hồi quy sau:
lnei2 = β1+ β2ln Xi +νi
Trường hợp có nhiều biến giải thích thì ước lượng hồi quy này với từng biến
giải thích hoặc với Ŷi
Kiểm định giả thiết Ho : β2 = 0 . Nếu giả thiết Ho bị bác bỏ thì có thể kết
luận về sự tồn tại của hiện tượng phương sai sai số thay đổi
Kiểm định Gleijser
• Đầu tiên cũng hồi quy mô hình gốc để thu phần dư ei
• Hồi quy một trong các mô hình sau
| ei | = β1 + β2Xi + vi
| ei | = β1 + β21/Xi + vi
| ei | = β1 + β2√Xi +vi
| ei | = β1 + β21/√Xi +vi
• Tương tự như kiểm định Park, ta cũng kiểm định giả thiết Ho : β2 =
0 . Nếu giả thiết này bị bác bỏ thì có thể kết luận có hiện tượng
phương sai sai số thay đổi
Kiểm định white
• Ước lượng bằng OLS . Từ đó thu được các phần dư ei
• Ước lượng mô hình sau :
ei2=α1+α2X2+α3X3+α4X22+α5X32+α6X2X3+vi

• Với H0 : Phương sai của sai số không đổi , có thể chỉ rằng nR2 có
phần xấp xỉ χ2 (df) , df bằng số hệ số của mô hình không kể hệ số
chặn
• Nếu nR2 không vượt qua giá trị χ2 (df) ,thì giả thiết H0 không có cơ
sở bị bác bỏ. Trong trường hợp ngược lại thì giả thiết Ho bị bác bỏ.
5. Phương pháp khắc phục
Như chúng ta đã biết phương sai của sai số thay đổi làm cho các ước
lượng không còn là ước lượng hiệu quả nữa. Vì thế biện pháp khắc phục là
hết sức cần thiết. Việc chữa chạy căn bệnh này phụ thuộc chủ yếu vào liệu
2
i
σ
, được biết hay chưa. Ta phân biệt hai trường hợp.
1.
2
i
σ
đã biết
Khi
2
i
σ
đã biết, chúng ta có thể dễ dàng khắc phục căn bệnh đó bằng cách
sử dụng phương pháp bình phương nhỏ nhất có trọng số đã trình bày ở trên.
2.
2
i
σ
chưa biết
Trong nghiên cứu kinh tế việc biết trước

2
i
σ
nói chung là hiếm. Vì vậy
nếu chúng ta muốn sử dụng phương pháp bình phương nhỏ nhất có trọng số
thì chúng ta cần có những giả thiết nhất định về
2
i
σ
và biến đổi mô hình gốc
sao cho mô hình đã được biến đổi này thoả mãn giả thiết phương sai của sai
số không đổi. Phương pháp bình phương nhỏ nhất sẽ được áp dụng cho mô
hình đã được biến đổi như đã chỉ ra trước đây, phương pháp bình phương
nhỏ nhất có trọng số là phương pháp bình phương nhỏ nhất áp dụng cho tập
số liệu đã được biến đổi.
Chúng ta sẽ minh hoạ cho các phép biến đổi này qua việc sử dụng mô hình
hồi quy 2 biến mà ta gọi là mô hình gốc:
Y
i
=
1
β
+
2
β
X
i
+ U
i
Giả sử mô hình này thoả mãn các giả thiết của mô hình hồi quy tuyến

tính cổ điển trừ giả thiết phương sai của sai số không đổi. Chúng ta xét 1 số
giả thiết sau về phương sai của sai số. Những dạng này tuy chưa bao quát
được tất cả nhưng phổ biến.
Giả thiết 1: Phương sai của sai số tỉ lệ với bình phương của biến giải thích:
E(
2
i
U
) =
22
i
X
σ
(1)
Nếu bằng phương pháp đồ thị hoặc cách tiếp cận Park hoặc Glejser…
chỉ cho chúng ta rằng có thể phương sai U
i
tỉ lệ với bình phương của biến
giải thích X thì chúng ta có thể biến đổi mô hình gốc theo cách sau:
Chia 2 về của mô hình gốc cho X
i
(X
i
≠ 0)
i
X
i
Y
=
i

X
1
β
+
2
β
+
i
X
i
U
=
1
β
i
X
1
+
2
β
+ V
i
(2)
Trong đó v
i
=
i
X
i
U

là số hạng nhiễu đã được biến đổi, và rõ ràng rằng E(v
i
)
2

=
2
σ
, thực vậy:
E(v
i
)
2
= E
2
i
X








i
U
=
2
1

i
X
E(U
i
)
2
=
2
22
i
i
X
X
σ
=
2
σ
Như vậy tất cả các giả thiết của mô hình hồi quy tuyến tính cổ điển
được thoả mãn đối với (2) vậy ta có thể áp dụng phương pháp bình phương
nhỏ nhất cho phương trình đã được biến đổi (
i
VXXXXXXe ++++++=
326
2
35
2
2433221
2
αααααα
). Hồi quy

i
i
X
Y
theo
i
X
1
.
Giả thiết 2 : Phương sai của sai số tỉ lệ với biến giải thích X
E(U
i
)
2
=
2
σ
X
i
Nếu sau khi ước lượng hồi quy bằng phương pháp bình phương nhỏ
nhất thông thường, chúng ta vẽ đồ thị của phần dư này đối với biến giải
thích X và quan sát thấy hiện tượng chỉ ra phương sai của sai số liên hệ
tuyến tính với biến giải thích thì mô hình gốc sẽ được biến đổi như sau:
Với mỗi i chia cả 2 vế của mô hình gốc cho
i
X
(với X
i
>0)
i

i
X
Y
=
i
X
1
β
+
i
X
2
β
+
i
i
X
U
=
i
X
1
1
β
+
i
X
2
β
+ v

i
(3)
Trong đó v
i
=
i
i
X
U
và có thế thấy ngay rằng E(v
i
) =
2
σ
Giả thiết 3 : Phương sai của sai số tỉ lệ với bình phương của giả trị kỳ vọng
của Y, nghĩa là E(
2
i
U
) =
( )( )
2
2
i
YE
σ
Khi đó thực hiện phép biến đổi biến số như sau:
)(
i
i

YE
Y
=
)(
1
i
YE
β
+
1
2
)(
X
YE
i
β
+
)(
i
i
YE
U
=
)(
1
1
i
YE
β
+

i
i
X
YE )(
1
2
β
+ V
i
(4)
Trong đó V
i
=
)(
i
i
YE
U
, Var(V
i
) =
2
σ
.
Nghĩa là nhiễu V
i
có phương sai không đổi. Điều này chỉ ra rằng hồi quy (4)
thoả mãn giả thiết phương sai không đổi của mô hình hồi quy tuyến tính cổ
điển.
Tuy nhiên phép biến đổi (4) vẫn chưa thực hiện được vì bản chất E(Y

i
) phụ
thuộc vào
1
β
và
2
β
trong đó
1
β
và
2
β
lại chưa biết.
Lúc này ta làm theo 2 bước sau:
• Bước 1: Ước lượng hồi quy ban đầu bằng phương pháp bình phương
bé nhất thông thường, thu được
i
Y
ˆ
. Sau đó sử dụng
i
Y
ˆ
để biến đổi mô
hình gốc thành dạng như sau:
i
i
Y

Y
ˆ
=








i
Y
ˆ
1
1
β
+








i
Y
ˆ
X

i
2
β
+ V
i
(5)
Trong đó V
i
=
i
i
Y
U
ˆ
• Bước 2: Ước lượng hồi quy (5), dù
i
Y
ˆ
không chính xác là E(Y
i
),
chúng chỉ là ước lượng vững nghĩa là khi mẫu tăng lên vô hạn thì
chúng hội tụ đến E(Y
i
).
Giả thiết 4: Hạng hàm sai
Đôi khi thay cho việc dự đoán về
2
i
σ

người ta định sạng lại mô hình. Chẳng
hạn thay cho việc ước lượng hồi quy gốc có thể chúng ta sẽ ước lượng hồi
quy:
InY
i
=
ii
UInX ++
21
ββ
(6)
Việc ước lượng hồi quy (6.46) có thể làm giảm phương sai của sai số thay
đổi do tác động của phép biến đổi loga. Một trong ưu thế của phép biến đổi
loga là hệ số góc
2
β
là hệ số co dãn của Y đối với X.
II – Bài tập
Bài 1.
 Bảng số liệu gồm 3 biến
obs Y X Z
1 66.00000 6.000000 7.000000
2 72.00000 7.000000 6.000000
3 78.00000 7.000000 5.000000
4 82.00000 8.000000 5.000000
5 74.00000 8.000000 6.000000
6 90.00000 10.00000 6.000000
7 102.0000 11.00000 5.000000
8 108.0000 12.00000 5.000000
9 112.0000 12.00000 4.000000

10 118.0000 13.00000 4.000000
(Nguồn: Tổng cục thống kê)
Yêu cầu: Hãy phát hiện phương sai thay đổi và tìm cách khắc phục
Bài 2. Sử dụng số liệu dưới đây
 Bảng số liệu gồm 3 biến
obs Y X Z
1 500.0000 300.0000 0.000000
2 700.0000 200.0000 1.000000
3 800.0000 400.0000 0.000000
4 1000.000 700.0000 0.000000
5 1000.000 400.0000 1.000000
6 1200.000 500.0000 1.000000
7 1500.000 700.0000 0.000000
8 2000.000 800.0000 1.000000
9 2500.000 1500.000 0.000000
10 2500.000 1000.000 1.000000
11 3000.000 1500.000 1.000000
12 5000.000 3000.000 0.000000
13 6000.000 3000.000 0.000000
14 8000.000 4000.000 1.000000
15 10000.00 3000.000 1.000000
Bài 3
Bảng số liệu gồm 3 biến
obs Y X Z
1 5.170000 1.000000 7.000000
2 4.600000 2.000000 4.000000
3 5.370000 3.000000 0.000000
4 5.640000 3.000000 5.000000
5 4.270000 4.000000 1.000000
6 5.260000 6.000000 0.000000

7 7.140000 7.000000 7.000000
8 8.740000 8.000000 5.000000
9 7.110000 9.000000 0.000000
10 6.530000 9.000000 2.000000
11 6.530000 9.000000 6.000000
12 6.360000 11.00000 1.000000
13 9.730000 12.00000 7.000000
14 6.850000 14.00000 0.000000
15 7.880000 16.00000 1.000000
16 8.170000 16.00000 2.000000
17 11.80000 16.00000 7.000000
18 6.060000 19.00000 0.000000
19 14.69000 20.00000 7.000000
20 9.010000 22.00000 1.000000
21 18.13000 22.00000 2.000000
22 8.850000 24.00000 2.000000
23 7.200000 25.00000 0.000000
24 18.72000 25.00000 5.000000
25 9.800000 25.00000 3.000000
26 13.80000 26.00000 2.000000
27 6.200000 26.00000 0.000000
28 9.120000 28.00000 5.000000
29 18.54000 29.00000 7.000000
30 22.52000 29.00000 4.000000