Bài tập tham khảo kế toán ngân hàng

BÀI ÔN TẬP 01
CÂU 1 :
Có số liệu của một mẫu gồm 10 quan sát như sau :

Y
X2
X3
DD

82
42
2.8
1

65
30
3.9
0

60
28
4.2
0

75
38
3.3
1

85
44

2.7
1

72
36
3.5
1

69
33
3.7
0

80
40
2.9
1

74
36
3.3
0

78
38
3.1
1

Trong đó :
Y : luợng bán đuợc của một loại hàng thực phẩm, đơn vị tính là tấn/năm.

X2 : thu nhập của nguời tiêu dùng, đơn vị tính là triệu đồng/năm.
X3 : giá bán của loại hàng thực phẩm, đơn vị tính là nghìn đồng/kg.
DD : khuyến mại ( DD = 1 : có khuyến mại, DD = 0 : không khuyến mại)
Mô hình hồi quy có dạng : Y = 1 + 2X2 + U
1. Xác định hàm hồi quy mẫu của mô hình và cho biết ý nghĩa của hệ số hồi quy
riêng ?
1


2. Kiểm định giả thiết Ho : 2 = 0 ; H1 : 2  0, với mức ý nghĩa 5%. Cho biết ý
nghĩa của việc kiểm định này ?
3. Xác định khoảng tin cậy của 2 , với độ tin cậy 95% ?
4. Xác định khoảng tin cậy của phương sai nhiễu, với độ tin cậy 95% ?
5. Kiểm định sự phù hợp của hàm SRF, với mức ý nghĩa 5% ?
6. Dự đoán luợng hàng bán đuợc nếu thu nhập của nguời tiêu dùng là 50 triệu
đồng/năm với độ tin cậy 95% ?
7. Nếu đơn vị đo của Y là tạ/năm và đơn vị đo của X2 là nghìn đồng/năm thì hàm
SRF thay đổi như thế nào ?
8. Khi thu nhập của người tiêu dùng tăng 1% thì lượng hàng bán thay đổi thế nào ?
CÂU 2 :
Mô hình hồi quy có dạng :
Y = 1 + 2X2 + 3X3 + U
Có kết quả hồi quy ở bảng 1 :
1- Giải thích ý nghĩa của các hệ số hồi quy riêng ?
2- Xác định khoảng tin cậy của 3 với độ tin cậy 95% ?
3- Xét xem giá bán có ảnh huởng đến luợng bán không, với mức ý nghĩa 5% ?
4- Có nên đưa thêm biến X3 vào mô hình ở câu 1 hay không, mức ý nghĩa 5% ?
5- Kiểm định sự phù hợp của mô hình với độ tin cậy 95% ?
2

Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included observations: 10
C
X2
X3
R-squared
Prob(F-statistic)

Coefficient
Std. Error
92.68585
14.08075
0.483989
0.199133
-10.88366
2.055181
0.99651
Mean dependent var

t-Statistic

Prob.

Bảng 1

CÂU 3 :
Mô hình hồi quy có dạng :

Y = 1 + 2X2 + 3X3 + 4DD + U
Sử dụng bảng số liệu trên, ta có kết quả hồi quy ở bảng 2 :
1- Kết quả kiểm định như sau : ( = 5%)

Redundant Variables: X3 DD
F-statistic
Log likelihood ratio

12.20913
16.23284

Prob. F(2,6)
Prob. Chi-Square(2)

0.0077
0.0003

Theo bạn, biến X3 và biến DD có đồng thời bị thừa trong mô hình hay không ?
3


Dependent Variable: Y
Method: Least Squares
Sample: 1 10
Included obs: 10
C
X2
X3
DD
R-squared

Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

Coefficient
90.86936
0.518065
-10.68024
-0.177854
0.996553
0.99483
0.559009
1.874944
-5.819353
578.2841
0.000000

Std. Error
16.48924
0.246948
2.326233
0.64556
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

Durbin-Watson stat

t-Statistic
5.510827
2.097868
-4.591217
-0.275503

Prob.
0.0015
0.0407
0.0037
0.7922
74
7.774603
1.963871
2.084905
1.831097
2.113718

Bảng 2

2- Kết quả kiểm định như sau :
4


Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS

3.2194
9.6262
1.2284

Prob. F(8,1)
Prob. Chi-Square(8)
Prob. Chi-Square(8)

0.4075
0.2922
0.9964

Mô hình có hiện tuợng phương sai nhiễu thay đổi không ? ( = 5%)
3- Kết quả kiểm định như sau :

Breusch-Godfrey - LM Test:
F-statistic
Obs*R-squared

0.7181
1.2558

Prob. F(1,5)
Prob. Chi-Square(1)

0.4354
0.2624

Có hiện tuợng tự tương quan bậc nhất trong mô hình không ? ( = 5%)

4- Có ma trận tương quan sau :

X2
X3
DD

Correlation
X2
X3
DD
1
-0.9701862 0.48722554
-0.970186
1
-0.5533986
0.487226 -0.5533986
1

Theo bạn, mô hình có dấu hiệu của đa cộng tuyến không, vì sao ?
5


5- Có kết quả kiểm định sau :
Wald Test:
Equation: Untitled
Test Statistic
F-statistic
Chi-square
Null Hypothesis Summary:
Normalized Restriction (= 0)

C(2) - 2*C(3)

Value
24.56824
24.56824

df
(1, 6)
1
Value
21.87855

Probability
0.0026
0
Std. Err.
4.413992

Theo bạn, ảnh huởng của biến X2 lên Y có gấp 2 lần ảnh huởng của biến X3
lên Y không ? (Với độ tin cậy 95%).

6


ĐÁP ÁN
1. Xác định hàm hồi quy mẫu của mô hình và cho biết ý nghĩa của hệ số hồi
quy riêng : Y = 1 + 2X2 + U
Từ số liệu đã cho ta có bảng :
tt
1

2
3
4
5
6
7
8
9
10
Cộng
T/B

Y
82
65
60
75
85
72
69
80
74
78
740
74

X2
42
30
28

38
44
36
33
40
36
38
365
36.5

X2^2

YX2

Y^2

1764
900
784
1444
1936
1296
1089
1600
1296
1444

3444
1950
1680

2850
3740
2592
2277
3200
2664
2964

6724
4225
3600
5625
7225
5184
4761
6400
5476
6084

13553

27361

55304

Áp dụng công thức ta có :
β2 =

YX2 - nY X2
X22

-

n(X2)2

=

27361 – 10*74*36,5
13553 -

10*(36,5)2

= 1,5228
7


β1 = Y - β2X2 = 74 - (1,5228)*36,5 = 18,4178
Hàm hồi quy mẫu có dạng : Y = 18,4178 + 1,5228X2.
β2 = 1,5228 : Khi thu nhập của nguời tiêu dùng tăng (hoặc giảm) một triệu
đồng/năm thì luợng bán đuợc của một loại hàng thực phẩm tăng (hoặc giảm) là
1,5228 tấn/năm.
2. Kiểm định giả thiết Ho : 2 = 0 ; H1 : 2  0, với mức ý nghĩa 5%. Cho biết ý
nghĩa của việc kiểm định này :
TSS = Y2 - n(Y)2 = 55304 – 10(74)2 = 544
ESS = β22x2 = (1,5228)2 (13553 – 10*(36,5)2 ) = 534,511
RSS = TSS – ESS = 9,489
2

=

RSS
n-k

Var(β2 ) =

=
2
x2

9,489
8
=

= 1,1862
1,1862
230,5

= 0,005146 → Se(β2) = 0,07174

Độ tin cậy 95% → tα/2(n-k) = t0,025(8) = 2,306
8


Tiêu chuẩn kiểm định :
t=

β2
Se(β2)

=

1,5228
0,07174

= 21,2267

Ta thấy : | t | = 21,2267 > t0,025(8) = 2,306 nên bác bỏ giả thiết Ho.
Như vậy, thu nhập của người tiêu dùng thực sự có ảnh hưởng đến lượng hàng
bán được với độ tin cậy 95%.
3. Xác định khoảng tin cậy của 2 , với độ tin cậy 95% :
Độ tin cậy 95% → tα/2(n-k) = t0,025(8) = 2,306
Ta đã tính được :
Se(β2) = 0,07174
Ta có công thức tính khoảng tin cậy :
[ β2 - tα/2(n-k)Se(β2) ≤ β2 ≤ β2 + tα/2(n-k)Se(β2)]
 (1,5228 - 2,306*0,07174 ≤ β2 ≤ 1,5228 + 2,306*0,07174 )
 ( 1,3574 ; 1,6882 )
Với độ tin cậy 95%, khoảng tin cậy của β2 là ( 1,3574 ; 1,6882 )
9


4. Xác định khoảng tin cậy của phương sai nhiễu, với độ tin cậy 95% :
Ta có α = 5% → 2(n-k) = 2(8) = 17,5345 ; 2(n-k) = 2(8) = 2,1797
α/2

1 - α/2

0,025

0,975

Ta đã tính được : 2 = 1,1862
Khoảng tin cậy của Var(Ui) = 2 là :

(n – k) 2
2

(n-k)

α/2



(8)*1,1862
17,5345

;

(8)*1,1862
2,1797

;

(n – k) 2
2 (n-k)
1 - α/2

 (0,5412 ; 4,3536)

Vậy, với độ tin cậy 95%, khoảng tin cậy của phương sai nhiễu là : (0,5412 ; 4,3536)

5. Kiểm định sự phù hợp của hàm SRF, với mức ý nghĩa 5% :
Kiểm định giả thiết : Ho : R2 = 0
; H1 : R2 > 0
α = 0,05 → F0,05(k-1, n-k) = F0,05(1, 8) = 5,318
Ta có :
ESS
534,511
2
R =
=
= 0,9826
TSS
544
Ta thấy, thu nhập của người tiêu dùng giải thích 98,26% sự biến động của lượng
hàng bán được.
10


R2(n - k)

0,9826(8)
Tiêu chuẩn kiểm định :
F=
=
= 451,7701
2
1-R
1 - 0,9826
Ta thấy :
F = 451,7701 > F0,05(1, 8) = 5,318, nên bác bỏ Ho. Hàm hồi quy phù hợp với mẫu

nghiên cứu với mức ý nghĩa 5%.
6.a. Dự đoán luợng hàng bán đuợc nếu thu nhập của nguời tiêu dùng là 50
triệu đồng/năm với độ tin cậy 95% (dự báo cá biệt) :
Xo = 50  Yo = 18,4178 + 1,5228*50 = 94,5578
Var (Yo) = 2 [ 1 +

1
n

+

(X2o – X2)2
x22

] = 1,1862[ 1 +

1
10

+

(50 – 36,5)2
230,5

Var (Yo) = 2,2429 → Se(Yo) = Var (Yo) = 1,4976
Mức ý nghĩa 5% → tα/2(n-k) = t0,025(8) = 2,306
Khoảng tin cậy cá biệt của Yo là :
[ Yo - tα/2(n-k)Se(Yo) ≤ Yo ≤ Yo + tα/2(n-k)Se(Yo)]
 (94,5578 - 2,306 * 1,4976 ≤ Yo ≤ 94,5578 + 2,306 * 1,4976)
 ( 91,1043 ; 98,0113 )

11

]


R2(n - k)

0,9826(8)
Tiêu chuẩn kiểm định :
F=
=
= 451,7701
2
1-R
1 - 0,9826
Ta thấy :
F = 451,7701 > F0,05(1, 8) = 5,318, nên bác bỏ Ho. Hàm hồi quy phù hợp với mẫu
nghiên cứu với mức ý nghĩa 5%.
6.b. Dự đoán luợng hàng bán đuợc nếu thu nhập của nguời tiêu dùng là 50
triệu đồng/năm với độ tin cậy 95% (dự báo trung bình) :
Xo = 50  Yo = 18,4178 + 1,5228*50 = 94,5578
Var (Yo) = 2 [

1
n

+

(X2o – X2)2

x22

] = 1,1862[

1
10

+

(50 – 36,5)2
230,5

]

Var (Yo) = 1,1565 → Se(Yo) = Var (Yo) = 1,0279
Mức ý nghĩa 5% → tα/2(n-k) = t0,025(8) = 2,306
Khoảng tin cậy cá biệt của Yo là :
[ Yo - tα/2(n-k)Se(Yo) ≤ E(Y/X2) ≤ Yo + tα/2(n-k)Se(Yo)]
 (94,5578 - 2,306*1,0279 ≤ E(Y/X2) ≤ 94,5578 + 2,306*1,0279)
 ( 92,1875 ; 96,9281 )

12


Với độ tin cậy 95%, nếu thu nhập của người tiêu dùng là 50 triệu đồng/năm thì
lượng hàng cá biệt bán được bán được thấp nhất là 92 tấn/năm và cao nhất là 97
tấn/năm .
7. Nếu đơn vị đo của Y là tạ/năm và đơn vị đo của X2 là nghìn đồng/năm
thì hàm SRF thay đổi như thế nào :
Đơn vị tính của Y là tạ,

tức là :
Y* = 10Y , do đó k1 = 10
Đơn vị tính của X là nghìn đồng,
tức là :
X* = 1000X , do đó k2 = 1000
Vậy :
β1* = k1β1 = 18,4178 *10 = 184,178
β2* =

k1
k2

β2 =

10
1000

*1,5228 = 0,01523

Vậy hàm hồi quy mẫu (SRF) khi đơn vị tính của Y là tạ/năm và X là nghìn
đồng/năm là :
Y* = 184,178 + 0,01523 X2*

13


8. Khi thu nhập của người tiêu dùng tăng 1% thì lượng hàng bán
thay đổi thế nào ?
Hệ số co giãn cho biết thay đổi tương đối (%) của Y khi X2 thay
đổi 1%.

Ta có :
E YX2 = 2

36.5
X2
= 1,5228
= 0,7511
74
Y

Vậy, khi thu nhập của người tiêu dùng tăng 1% thì lượng hàng
bán được tăng 0,7511% với điều kiện các yếu tố khác không đổi.

14


* CÂU 2 :
Mô hình hồi quy mẫu :
Y = 92,6859 + 0,4839X2 – 10,8837X3
1- Giải thích ý nghĩa của các hệ số hồi quy riêng :
- β2 = 0,4839 : Khi thu nhập của người tiêu dùng tăng lên (hoặc giảm xuống) 1 triệu
đồng/năm thì lượng hàng bán được tăng lên (hoặc giảm xuống) 0,4839 tấn/năm, với
điều kiện các yếu tố khác không đổi.
- β3 = -10,8837 : Khi giá bán của hàng tăng lên (hoặc giảm xuống) 1 nghìn đồng/kg
thì lượng hàng bán được giảm xuống (hoặc tăng lên) 10,88 tấn/năm , với điều kiện
các yếu tố khác không đổi.
2- Xác định khoảng tin cậy của 3 với độ tin cậy 95% :
Độ tin cậy 95% → tα/2(n-k) = t0,025(7) = 2,365
Se(β3) = 2,0552
Khoảng tin cây (1 – α) của β3 là :

[ β3 - tα/2(n-k)Se(β3) ≤ β3 ≤ β3 + tα/2(n-k)Se(β3)]
 (– 10,8837 - 2,365 * 2,0552 ≤ β3 ≤ – 10,8837 + 2,365 * 2,0552 )
 (- 15,7442 ≤ β3 ≤ - 6,0232)

15


3- Xét xem giá bán có ảnh huởng đến luợng bán không, với mức ý nghĩa 5% :
Mức ý nghĩa 5% → tα/2(n-k) = t0,025(7) = 2,365
Se(β3) = 2,0552
Kiểm định giả thiết : Ho : β3 = 0
; H1 : β3 ≠ 0
Tiêu chuẩn kiểm định :
β3
-10,8837
t=
=
= - 5,2959
Se(β3)
2,0552
Ta thấy : |t| = 5,2959 > t0,025(7) = 2,365 nên bác bỏ Ho. Như vậy, giá bán thực sự có
ảnh hưởng đến lượng hàng bán với độ tin cậy 95%.
4- Có nên đưa thêm biến X3 vào mô hình ở câu 1 hay không, mức ý nghĩa 5% :
Theo kết quả câu 3, biến X3 có thực sự có ảnh hưởng đến Y.
Gọi :
Rc12 là hệ số xác định hiệu chỉnh của câu 1.
Rc22 là hệ số xác định hiệu chỉnh của câu 2.
Ta có :
9
n-1

2
2
Rc1 = 1 – (1 – Rc1 )
= 1 – ( 1 – 0,9826)
= 0,9804
8
n-k
n-1
9
Rc22 = 1 – (1 – Rc22)
= 1 – ( 1 – 0,9965)
= 0,9955
n-k
7
16


Ta thấy, khi đưa thêm biến X3 vào mô hình câu 1, hệ số xác định bội có hiệu
chỉnh tăng (0,015) và biến X3 có ý nghĩa thống kê. Do đó nên đưa thêm biến X3 vào
mô hình ở câu 1.
5- Kiểm định sự phù hợp của mô hình với độ tin cậy 95% :
Độ tin cậy 95% : α = 0,05 → F0,05(k-1, n-k) = F0,05(2, 7) = 4,737
Ho : R2 = 0 ~ Ho : β2 = β3 = 0
H1 : R2 > 0 ~ H1 : có ít nhất 1 hệ số hồi quy riêng ≠ 0

Kiểm định giả thiết :
Tiêu chuẩn kiểm định :
Fo =

R2

1-

R2

n-k
k-1

=

0,9965

10 - 3

1 – 0,9965

3-1

= 996,5

Ta thấy : F = 996,5 > Fα(k-1, n-k) = 4,737 nên bác bỏ giả thiết Ho. Như vậy hàm
hồi quy mẫu phù hợp với tổng thể với độ tin cậy 95%.

17


CÂU 3 :
Mô hình hồi quy có dạng : Y = 1 + 2X2 + 3X3 + 4DD + U
1- Biến X3 và biến DD có đồng thời bị thừa trong mô hình hay không, ( =
5%):
Kiểm định giả thiết : Ho : 3 = 4 = 0

H1 : Có ít nhất một j ≠ 0
Kết quả kiểm định cho thấy p-value rất bé nên bác bỏ giả thiết Ho. Như vậy,
có ít nhất một trong 2 biến trên có ảnh hưởng đến Y với mức ý nghĩa 5%.
2- Mô hình có hiện tuợng phương sai thay đổi không , ( = 5%) :
Kiểm định giả thiết :
Ho : Phương sai nhiễu không đổi
H1 : Phương sai nhiễu thay đổi
Kết quả kiểm định cho thấy p-value của thống kê (F) = 0,4075 và nR2 =
0,2922 > 0,05 nên không có cơ sở bác bỏ giả thiết Ho. Vậy không có phương sai
nhiễu thay đổi trong mô hình với mức ý nghĩa 5%.
3- Có hiện tuợng tự tương quan bậc nhất trong mô hình không, ( = 5%) :
Kiểm định giả thiết :
Ho : Không có tự tương quan bậc nhất
H1 : Có tự tương quan bậc nhất
Ta có p-value của thống kê (F) = 04354 và nR2 = 0,2624 > 0,05 nên chấp nhận Ho.
Không có tự tương quan bậc nhất trong mô hình với mức ý nghĩa 5%.
18


4- Mô hình có dấu hiệu của đa cộng tuyến không, vì sao :
Ta thấy hệ số tương quan riêng giữa biến X2 và X3 rất cao :

r

23,14

= - 0,970186

Cho thấy mối tương quan tuyến tính giữa biến X2 và X3 rất chặt chẽ. Do đó cho
phép nhận định có dấu hiệu của đa cộng tuyến trong mô hình.

5- Ảnh huởng của biến X2 lên Y có gấp 2 lần ảnh huởng của biến X3 lên Y
không, với độ tin cậy 95% :
Kiểm định giả thiết : Ho : β2 = 2*β3
H1 : β2 ≠ 2*β3
Từ kết quả kiểm định, ta thấy P-value của các thống kê rất bé do đó cho phép
bác bỏ giả thiết Ho. Vậy với độ tin cậy 95%, ảnh huởng của biến X2 lên Y không
thể gấp 2 lần ảnh huởng của biến X3 lên Y.
** Một số lệnh trong Eviews liên quan đến kiểm định các giả thiết trong
mô hình :
+ Lênh kiểm định phương sai nhiễu thay đổi :
- Breusch-pagan-Godfrey,
- Harvey,
- Glejser,
- White
+ Lệnh kiểm định tự tương quan :
- Breusch-Godfrey serial Correlation LM Test
19


** Có nên loại bỏ biến X3 ra khỏi mô hình hay không, độ tin cậy 95% (sử dụng
kiểm định Wald) :
Sử dụng kiểm định hồi quy có điều kiện ràng buộc :
Gọi (1) là mô hình không bị ràng buộc, ta có kết quả :
Y(1) = 92,6858 + 0,4839X2 – 10,8837X3
, R2 (1) = 0,9965 (1) , k = 3
Gọi (2) là mô hình bị ràng buộc, với kết quả :
Y(2) = 18,4178 + 1,5228X2
, R2 (2) = 0,9826 (2) , m = 2
Mô hình (2) bị ràng buộc bởi điều kiện :
Ho : β3 = 0

; H1 : β3 ≠ 0
Kiểm định :
F =

(R2 (1) - R2 (2))/(k - m)
(1 -

R2 (1))/(n

- k)

=

(0,9965 - 0,9826)/(3 - 2)
(1 – 0,9965)/(10 - 3)

= 27,8

Độ tin cậy 95%  F0,05(k-m, n-k) = F0,05(1, 7) = 5,591
Ta thấy : F = 27,8 > F0,05(k-m, n-k) = 5,591 nên bác bỏ Ho.
Vậy với độ tin cậy 95%, không thể loại bỏ biến X3 ra khỏi mô hình được.

20


** Có kết quả sau :
C
X2
X3

C
X2
198.2675
-2.7938
-2.7938
0.03965
-28.8218
0.40313
Covariance Matrix

X3
-28.8218
0.40313
4.2237

Sử dụng kiểm định t trực tiếp về ý kiến : ảnh hưởng của giá bán gấp đôi ảnh
hưởng của thu nhập đến lượng hàng bán được, với độ tin cậy 95%.
Kiểm định giả thiết : Ho : β3 = 2*β2
Ho : 2*β2 - β3 = 0

H1 : β3 ≠ 2*β2
H1 : 2*β2 - β3 ≠ 0

t=

2*β2 – β3
Se(2*β2 – β3)

=

2*0,48399 – (-10,88366)
1,66427

= 7,1212

Var(2β2 – β3) = 4*Var(β2) + Var(β3) – 2*(2)*(1)Cov(β2,β3)
= 4*0,03965 + 4,2237 – 4*0,40313 = 2,76978  Se(2*β2 – β3) = 1,66427
Mức ý nghĩa 5% → tα/2(n-k) = t0,025(7) = 2,365
Ta thấy | t | = 7,1212 > t0,025(7) = 2,365 nên bác bỏ Ho. Vậy với độ tin cậy
95%, ảnh hưởng giá bán không gấp đôi ảnh hưởng thu nhập đến Y.
21


** Có kết quả hồi quy phụ sau :
Dependent Variable: X2
Included observations: 10
C
X3
R-squared
Prob(F-statistic)

Coefficient
Std. Error
t-Statistic
70.45564
2.11971
33.23834
-10.16636
0.628576
-16.17363

0.970325 Mean dependent var
0.000000
Kết quả hồi quy phụ

Prob.
0.0000
0.0000
36.5

Kiểm định hiện tượng đa cộng tuyến với độ tin cậy 95%.
Gọi Rj2 là hệ số xác định bội của hồi quy phụ :
Kiểm định giả thuyết :
Ho : Rj2 = 0 (không có đa cộng tuyến)
H1 : Rj2 > 0 (có đa cộng tuyến)
Ta sử dụng tiêu chuẩn kiểm định :
Fj =

Rj2/(k – 2)
(1 -

Rj2)/(n-k+1)

=

0,9703/(3 – 2)
(1 – 0,9703)/(10 – 3 + 1)

= 261,3251

α = 0,05 → F0,05(k-2, n-k+1) = F0,05(1, 8) = 5,318. Ta thấy Fj > F0,05(1, 8) = 5,318

nên bác bỏ Ho. Với độ tin cậy 95%, mô hình có đa cộng tuyến.
22


** Có kết quả sau :
14

Series: Residuals
Sample 1 30
Observations 30

12
10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

8
6
4

Jarque-Bera
Probability

2

-3.05e-13
-88.64585
1228.843
-1502.405
563.1565
-0.394378
4.540184
3.742876
0.153902

0
-1500

-1000

-500

0

500

1000

Phần dư của mô hình có phân phối chuẩn không, với độ tin cậy 95% ?
Kiểm định giả thiết : Ho : Phần dư mô hình có phân phối chuẩn
H1 : Phần dư mô hình không có phân phối chuẩn.
Ta thấy : P-value của kiểm định Jarque-Bera = 0,1539 > mức ý nghĩa 5%
nên chấp nhận giả thiết Ho. Vây với độ tin cậy 95% thì mô hình có phân
phối chuẩn.

23


** Một số chú ý :
1/ Khi so sánh độ phù hợp của 2 mô hình có số biến độc lập khác nhau, nếu đã
có hệ số xác định bội (R2) thì phải dùng hệ số xác định bội có hiệu chỉnh (R2) , hệ số
này tính từ công thức :
n-1
2
2
R = 1 – (1 – R )
n-k
Hệ số k sẽ khác nhau giữa các mô hình có số biến độc lập khác nhau. Cần xem xét
thêm ý nghĩa của biến được đưa vào.
2/ Khi xem xét mô hình có đa cộng tuyến hay không thì căn cứ vào một số
dấu hiệu :
+ Kiểm định F bằng mô hình hồi quy phụ.
+ Nhìn vào mức độ tương quan giữa các biến độc lập trong mô hình (qua ma trận
tương quan)
+ Nhìn vào nhân tử phóng đại phương sai (VIF). Nếu VIF > 10 thì có thể kết luận có
dấu hiệu của đa cộng tuyến.
+ Hoặc thấy R2 cao nhưng tỷ số t mất ý nghĩa (khi kiểm định t sẽ chấp nhận Ho)
hoặc p-value của các hệ số hồi quy lớn hơn mức ý nghĩa.
24


** Khi có một mô hình hồi quy, cần xem xét ảnh hưởng của biến độc lập nào
trong mô hình đến biến nghiên cứu mạnh nhất thì có thể có các hướng :
+ Nếu có 2 biến độc lập thì sử dụng công thức : (xem slide 26)
Sau đó xem hệ số tương quan riêng phần nào lớn hơn thì ảnh hưởng của biến

độc lập ấy đến biến phụ thuộc mạnh hơn.
+ Nếu mô hình có nhiều hơn 2 biến độc lập thì có thể đề sẽ cho các hệ số
tương quan riêng phần (Cần tính được từ Eviews)
+ Sử dụng độ lệch chuẩn để kết luận.
** Các giá trị tới hạn có thể tra từ bảng thống kê tương ứng hoặc được tính từ
Exel với các lệnh sau :
 TINV : TINV(0.05,6) = t0,025(6) = 2,4469 (bảng t)
TDIST(2.4469,6,2) = 0.05 (P-value)  Kiểm định 2 phía
TDIST(2.4469,6,1) = 0.025
 Kiểm định 1 phía.
 CHIINV(xác suất, bậc tự do) : Bảng Khi bình phương.
 FINV(0.05,1,6) = 5.987 hoặc FDIST(5.987,1,6) = 0.05 (P-value)

25