phát hiện và khắc phục hiện tượng tự tương quan
DESCRIPTION
Bài thảo luận môn Kinh tế lượngTRANSCRIPT
TRƯỜNG ĐẠI HỌC THƯƠNG MẠI
------
BÀI THẢO LUẬN
ĐỀ TÀI:
PHÁT HIỆN VÀ KHẮC PHỤC HIỆN TƯỢNG TỰ TƯƠNG QUAN
Giáo viên hướng dẫn:
Lớp:
Lớp HP:
Nhóm:
Hà Nội, 2013
ĐỀ CƯƠNG
I- Bản chất hiện tượng tự tương quan.
1.1. Định nghĩa
1.2. Nguyên nhân của tự tương quan
1.3. Ước lượng bình phương nhỏ nhất khi có tự tương quan
1.4. Ước lượng tuyến tính không chệch tốt nhất khi có tự tương quan
1.5. Hậu quả
II – Phát hiện hiện tượng tự tương quan
2.1. Phương pháp đồ thị
2.2. Phương pháp kiểm định số lượng
III – Biện pháp khắc phục
3.1. Khi cấu trúc tự tương quan là đã biết
3.2. Khi chưa biết
3.2.1. Phương pháp sai phân cấp 1
3.2.2. Ước lượng dựa trên thống kê d – Durbin –Watson
3.2.3. Thủ tục lặp Cochrane – Orcutt để ước lượng
3.2.4. Thủ tục Cochrane – Orcutt hai bước
3.2.5. Phương pháp Durbin – Watson hai bước để ước lượng
3.2.6. Các phương pháp khác ước lượng
IV – Thực hành trên Eviews
4.1. Thu thập và giải thích số liệu
4.2. Phát hiện hiện tượng tự tương quan
4.3. Khắc phục hiện tượng tự tương quan
I - BẢN CHẤT HIỆN TƯỢNG TỰ TƯƠNG QUAN
1.1. Định nghĩa
Thuật ngữ tự tương quan có thể hiểu là sự tương quan giữa các thành phần
của chuỗi các quan sát được sắp xếp theo thứ tự thời gian (trong các số liệu chuỗi
thời gian) hoặc không gian (trong số liệu chéo).
Trong phạm vi hồi quy, mô hình tuyến tính cổ điển giả thiết rằng không có sự
tương quan giữa các nhiễu Ui nghĩa là:
Cov(Ui , Uj ) = 0 (i¿ j) (7.1)
Nói một cách khác, mô hình cổ điển giả thiết rằng thành phần nhiễu gắn với
một quan sát nào đó không bị ảnh hưởng bởi thành phần nhiễu gắn với một quan
sát khác.
Tuy nhiên trong thực tế có thể xảy ra hiện tượng mà thành phần nhiễu của các
quan sát lại có thể phụ thuộc lẫn nhau nghĩa là:
Cov(Ui , Uj ) ¿ 0 (i¿ j) (7.2)
1.2. Nguyên nhân của tự tương quan
1.2.1. Nguyên nhân khách quan
- Quán tính:
Nét nổi bật của hầu hết các chuỗi thời gian trong kinh tế là quán tính. Chúng
ta đều biết các chuỗi thời gian như tổng sản phẩm, chỉ số giá, thất nghiệp mang tính
chu kỳ. Chẳng hạn nếu chúng ta ở đầu của thời kỳ khôi phục kinh tế tổng sản phẩm
có xu hướng đi lên. Vì vậy trong hồi quy của chuỗi thời gian, các quan sát kế tiếp
đó có nhiều khả năng phụ thuộc lẫn nhau.
- Hiện tượng mạng nhện:
Chẳng hạn vào đầu vụ trồng lạc năm nay, người nông dân bị ảnh hưởng bởi
giá mua lạc năm ngoái của các công ty xuất khẩu. Cho nên cung về lạc có biểu hiện
dưới dạng hàm:
Yt = β1 + β2Pt – 1 + Ut (7.3)
Giả sử ở cuối thời kỳ t giá lạc Pt < Pt – 1 , do đó trong thời kỳ t + 1 những người
nông dân có thể sẽ quyết định sản xuất lạc ít hơn thời kỳ t. Điều này sẽ dẫn đến mô
hình mạng nhện.
- Trễ:
Chẳng hạn khi nghiên cứu mối quan hệ giữa tiêu dùng và thu nhập, chúng ta
thấy rằng tiêu dùng ở thời kỳ hiện tại chẳng những phụ thuộc vào thu nhập hiện tại
mà còn phụ thuộc vào tiêu dùng ở thời kỳ trước đó, nghĩa là:
Yt = β1 + β2Xt + β3 Yt – 1 + Ut (7.4)
Trong đó: Yt: Tiêu dùng ở thời kỳ t.
Xt: Thu nhập ở thời kỳ t.
Yt – 1: Tiêu dùng ở thời kỳ t – 1.
Ut: Nhiễu.
β1 , β2 , β3 : Các hệ số.
Chúng ta có thể lý giải mô hình (7.4) như sau: Người tiêu dùng thường không
thay đổi thói quen tiêu dùng…, như vậy nếu ta bỏ qua số hạng trễ trong (7.4), số
hạng sai số sẽ mang tính hệ thống do ảnh hưởng của tiêu dùng thời kỳ trước lên
tiêu dùng thời kỳ hiện tại.
1.2.2. Nguyên nhân chủ quan
- Xử lý số liệu:
Trong phân tích thực nghiệm, số liệu thô thường được xử lý. Chẳng hạn trong
hồi quy chuỗi thời gian gắn với các số liệu quý, các số liệu này thường được suy ra
từ số liệu tháng bằng cách cộng đơn giản 3 quan sát theo tháng rồi chia cho 3. Việc
lấy trung bình này làm trơn các số liệu và làm giảm sự dao động trong số liệu
tháng. Chính sự làm trơn này gây ra tự tương quan.
- Sai lệch do lập mô hình:
Đây là nguyên nhân thuộc về lập mô hình. Có hai loại sai lầm có thể gây ra
hiện tượng tự tương quan:
Một là: không đưa đủ các biến vào trong mô hình
Hai là: dạng hàm sai có thể gây ra hiện tượng tự tương quan.
1.3. Ước lượng bình phương nhỏ nhất khi có tự tương quan
Ta xét mô hình:
Yt = β1 + β2Xt + Ut (7.5)
Trong đó: t ký hiệu quan sát ở thời điểm t (giả thiết ta đang nghiên cứu số liệu
dạng chuỗi thời gian).
Với giả thiết tổng quát cov(Ut, Ut + s) ¿ 0 (s ¿ 0). Ta có thể giả thiết nhiễu sản
sinh ra theo cách sau:
Ut = ρ Ut – 1 + ε t (-1 < ρ < 1) (7.6)
Trong đó: ρ gọi là hệ số tự tương quan, ε t là nhiễu ngẫu nhiên thoả mãn các
giả thiết thông thường của phương pháp bình phương nhỏ nhất:
E (εt )=0
cov (εt , εt+ s)=0( s≠0)
var(εt )=σ 2(7.7)
Lược đồ (7.7) gọi là lược đồ tự hồi quy bậc nhất Markov. Chúng ta ký hiệu
lược đồ đó là AR(1). Nếu Ut có dạng:
Ut = ρ1 Ut – 1 + ρ2 Ut – 2 + ε t
Là lược đồ tự hồi quy bậc 2 và ký hiệu AR(2).
Bằng phương pháp bình phương nhỏ nhất ta tính được:
β2=∑i=1
n
x i y i
∑i=1
n
xi2
Nhưng phương sai của nó trong lược đồ AR(1), bây giờ là:
Nếu không có tự tương quan thì:
Ta thấy: cộng với một số hạng phụ thuộc vào ρ .
Nếu ρ = 0 thì:
Nếu tiếp tục dùng phương pháp OLS và điều chỉnh công thức phương sai thông
thường bằng việc sử dụng lược đồ AR(1) thì không còn là ước lượng không
chệch tốt nhất nữa.
1.4. Ước lượng tuyến tính không chệch tốt nhất khi có tự tương quan
Giả sử chúng ta tiếp tục xét mô hình 2 biến và có quá trình AR(1) bằng
phương pháp bình phương nhỏ nhất tổng quát đã xét từ ở chương trước ta thu được:
β2G=
∑t=2
n
( x t−ρx t−1 )( y t−ρy t )
∑t=2
n
( x t−ρx t−1)2
+C
(7.8)
Trong đó C là hiệu số điều chỉnh có thể bỏ qua trong thực tế.
Và phương sai của nó được cho bởi công thức:
Var(β2G
) =
σ2
∑t=2
n
( x t−ρx t−1)2
+D
(7.9)
Trong đó D cũng là hệ số điều chỉnh mà ta có thể bỏ qua trong thực hành.
1.5. Hậu quả
- Ước lượng bình phương nhỏ nhất thông thường không phải là ước lượng
tuyến tính không chệch tốt nhất nữa.
- Phương sai ước lượng được của các ước lượng bình phương nhỏ nhất thông
thường là chệch và thông thường là thấp hơn giá trị thực của phương sai, do đó giá
trị của thống kê T được phóng đại lên nhiều lần.
- Các kiểm định t và F nói chung không đáng tin cậy.
- σ 2=
(n−k ) σ2
σ 2 cho ước lượng chệch của σ 2 thực, và trong một số trường hợp,
nó dường như ước lượng thấp σ 2 .
- R2 có thể là độ đo không đáng tin cậy cho R2 thực.
- Các phương sai và sai số tiêu chuẩn của dự đoán đã tính được cũng có thể
không hiệu quả.
II. PHÁT HIỆN CÓ TỰ TƯƠNG QUAN
2.1. Phương pháp đồ thị
Giả thiết không có tự tương quan trong mô hình hồi quy tuyến tính cổ điển gắn với các nhiễu Ut , nhưng không quan sát được, ta chỉ có thể quan sát các phần dư et. Mặc dù et không hoàn toàn giống như Ut nhưng quan sát các phần dư et có thể gợi ý cho ta những nhận xét về Ut
Có nhiều cách khác nhau để xem xét các phần dư. Chẳng hạn chúng ta có thể đơn thuần vẽ đồ thị của et theo thời gian như hình dưới:
Nhìn vào đồ thị, ta thấy phần dư không biểu thị một kiểu mẫu nào khi thời gian tăng lên, nó phân bố một cách ngẫu nhiên xung quanh trung bình của chúng → Nó ủng hộ cho giả thiết không có sự tương quan trong mô hình hồi quy tuyến tính cổ điển.
2.2. Phương pháp kiểm định số lượng
2.2.1. Kiểm định các đoạn mạch
Kiểm định các đoạn mạch là một phép kiểm định thống kê giúp ta xác định
xem có thể coi một dãy các ký hiệu, các khoản mục hoặc các số liệu có phải là kết
quả của một quá trình mang tính ngẫu nhiên hay không.
2.2.2. Kiểm định χ2
về tính độc lập của các phần dư
Để kiểm định χ2
về tính độc lập của các phần dư ta sử dụng bảng liên tiếp.
Bảng liên tiếp mà chúng ta sử dụng ở đây gồm một số dòng và một số cột, cụ thể là
bảng liên tiếp 2 dòng và 2 cột.
2.2.3. Kiểm định d.Durbin – Watson
Là kiểm định dựa vào giá trị tính toán, thống kê d được định nghĩa như sau:
d =
∑t=2
n
( et−et−1 )2
∑t=1
n
e t2
(7.10)
d ¿ 2(1 - ρ ) (7.11)
Trong đó:
ρ=∑t=2
n
et e t−1
∑t=1
n
et2
(7.12)
Vì -1 ¿ ρ≤ 1 nên 0 ¿d≤ 4.
Nếu ρ = -1 thì d =4: tự tương quan ngược chiều
Nếu ρ = 0 thì d = 2: không có tự tương quan
Nếu ρ = 1 thì d = 0: tồn tại tự tương quan thuận chiều
(1) (2) (3) (4) (5)
0 dl du 2 4-du 4-dl 4
d ∈ (1): tồn tại tự tương quan thuận chiều
d ∈ (2): không xác định
d ∈ (3): không có tự tương quan
d ∈ (4): không xác định
d ∈ (5): tồn tại tự tương quan ngược chiều
Kiểm định Durbin – Watson chỉ nhận dạng được hiện tượng tương quan chuỗi bậc 1. Đôi khi Kiểm định Durbin – Watson không cho kết luận.
2.2.4. Kiểm định Breusch – Godfrey (BG)
Để đơn giản ta xét mô hình giản đơn: Yt = β1+β2 X t+U t
Trong đó: Ut = ρ1U t−1+ ρ2U t−2+. ..+ρ pU t−p+εt , ε t thoả mãn các giả thiết của
OLS.
Giả thiết: H0 : ρ1=ρ2=. ..=ρp=0
Kiểm định như sau:
Bước 1: Ước lượng mô hình ban đầu bằng phương pháp OLS. Từ đó thu được các
phần dư et.
Bước 2: Ước lượng mô hình sau đây bằng phương pháp OLS:
et = β1+β2 X t+ρ1 et−1+ρ2et−2+. . .+ ρpe t−p+v t
Từ kết quả ước lượng mô hình này thu được R2
Bước 3: Với n đủ lớn, (n - p)R2 có phân bố xấp xỉ χ2
(p).
Nếu (n - p)R2 > χ α2
(p) thì H0 bị bác bỏ, nghĩa là ít nhất tồn tại tự tương quan
một bậc nào đó. Trong trường hợp ngược lại không tồn tại tự tương quan.
2.2.5. Kiểm định Durbin h
Ta xét mô hình: Yt = α 0+α1 X t+α2 X t−1+ut
Thống kê kiểm định này được gọi là thống kê h và được tính theo công thức
sau:
h = ρ √ n1−nVar ( α 2 ) (7.13)
Trong đó n là cỡ mẫu, Var(α 2) là phương sai của hệ số của biến trễ Yt-1.
ρ là ước lượng của tương quan chuỗi bậc nhất ρ từ phương trình:
ρ=∑t=2
n
et e t−1
∑t=1
n
et2
Khi n lớn, Durbin đã chỉ ra rằng nếu ρ = 0 thì thống kê h tuân theo phân phối
chuẩn hoá – N(0,1).
Trong thực hành không cần tính ρ vì ρ có thể tính được xấp xỉ bằng công
thức:
ρ≈1−d2
Trong đó d là thống kê d – thông thường. Thay biểu thức của ρ vào ta được
công thức cho thống kê h như sau:
h ¿(1−d
2)√ n
1−nVar ( α 2 ) (7.14)
Vậy để áp dụng thống kê h phải:
- Ước lượng mô hình Yt = α 0+α1 X t+α2Y t−1+V t bằng phương pháp bình
phương bé nhất.
- Tính Var(α 2 ).
- Tính ρ=1−d
2 .
- Tính h theo công thức h ¿(1−d
2)√ n
1−nVar ( α 2 ) .
- Quy tắc quyết đinh: Vì h ¿ N(0,1) nên P(-1,96 ¿h≤ 1,96) = 0,95.
III - BIỆN PHÁP KHẮC PHỤC TỰ TƯƠNG QUAN
3.1. Khi cấu trúc của tự tương quan là đã biết
Vì các nhiễu U t không quan sát được nên tính chất của tương quan chuỗi
thường là vấn đề suy đoán hoặc là do những đòi hỏi cấp bách của thực tiễn. Trong
thực hành, người ta thường giả sử rằng U t theo mô hình tự hồi quy bậc nhất nghĩa
là:
U t= ρU t−1+εt (7.15)
Trong đó |ρ|<1 và ε t thoả mãn các giả thiết của phương pháp bình phương
nhỏ nhất thông thường nghĩa là: Trung bình bằng 0, phương sai không đổi và
không tự tương quan. Giả sử (7.15) là đúng thì vấn đề tương quan chuỗi có thể
được giải quyết thoả đáng nếu hệ số tự tương quan ρ là đã biết. Để làm sáng tỏ vấn
đề đó ta quay lại mô hình hai biến:
Y t=β1+β2 X t+U t (7.16)
Nếu (7.16) đúng với t thì cũng đúng với t – 1 nên:
Y t−1=β1+β2 X t−1+U t−1 (7.17)
Nhân hai vế (7.17) với ρ ta được:
ρY t−1= ρβ1+ ρβ2 X t−1+ ρU t−1 (7.18)
Từ (7.16) cho (7.18) ta được:
Y t− ρY t−1=β1(1−ρ )+β2( X t− ρX t−1 )+(U t−ρU t−1)¿ β1(1− ρ)+β2( X t−ρX t−1 )+εt (7.19)
Đặt β1¿=β1 (1−ρ )
; β2
¿=β2
Y t¿=Y t−ρY t−1 X t
¿=X t−ρX t−1
Thì phương trình (7.19) có thể viết lại dưới dạng:
Y t¿=β1
¿+β2¿ X t
¿+εt (7.20)
Vì ε t thoả mãn các giả thiết của phương pháp bình phương nhỏ nhất thông
thường đối với các biến Y¿ và X
¿ và các ước lượng tìm được có tất cả các tính chất
tối ưu nghĩa là ước lượng tuyến tính không chệch tốt nhất.
Phương trình hồi quy (7.19) được gọi là phương trình sai phân tổng quát.
3.2. Khi ρ chưa biết
3.2.1. Phương pháp sai phân cấp 1
Như ta đã biết −1≤ ρ≤1 nghĩa là ρ nằm giữa (-1,0) hoặc (0,1) cho nên người
ta có thể bắt đầu từ các giá trị ở các đầu mút của các khoảng đó. Nghĩa là ta có thể
giả thiết rằng:
ρ=0 tức là không có tương quan chuỗi
ρ=±1 nghĩa là có tương quan dương hoặc âm hoàn toàn.
Trên thực tế khi ước lượng hồi quy người ta thường giả thiết rằng không có tự
tương quan rồi sau đó tiến hành kiểm định Durbin – Watson hay các kiểm định
khác để xem giả thiết này có đúng hay không. Tuy nhiên nếu ρ=±1 thì phương
trình sai phân tổng quát (7.17) quy về phương trình sai phân cấp 1:
Y t−Y t−1=β2( X t−X t−1 )+(U t−U t−1 )=β2 ( X t−X t−1 )+εt
Hay ΔY t=β2 ΔX t+εt (7.21)
Trong đó Δ là toán tử sai cấp 1. Để ước lượng hồi quy (7.21) thì cần phải lập
các sai phân cấp 1 của biến phụ thuộc và biến giải thích và sử dụng chúng làm
những đầu vào trong phân tích hồi quy.
Giả sử mô hình ban đầu là:
Y t=β1+β2 X t+ β3 t +U t (7.22)
Trong đó t là biến xu thế còn Ut theo sơ đồ tự hồi quy bậc nhất.
Thực hiện phép biến đổi sai phân cấp 1 đối với (7.22) ta đi đến
ΔY t=β2 ΔX t+ β3+εt (7.23)
Trong đó ΔY t=Y t−Y t−1 và Xt = Xt - X
Nếu ρ=−1 nghĩa là có tương quan chuỗi âm hoàn toàn, phương trình sai phân
bây giờ có dạng:
Y t+Y t−1=2 β1+β2 ( X t+ X t−1 )+εt
Hay
Y t+Y t−1
2=β1+β2
X t+ X t−1
2+
ε t
2 (7.24)
Mô hình này được gọi là mô hình hồi quy trung bình trượt (2 thời kỳ) vì chúng ta hồi quy giá trị của một trung bình trượt đối với một trung bình trượt khác.
Phép biến đổi sai phân cấp 1 đã giới thiệu trước đây rất phổ biến trong kinh tế
lượng ứng dụng vì nó dễ thực hiện.
3.2.2. Ước lượng ρ dựa trên thống kê d – Durbin – Watson
Trong phần kiểm định d chúng ta đã thiết lập được các công thức:
d≈2(1− ρ ) (7.25)
Hoặc ρ≈1−d
2 (7.26)
Đẳng thức này gợi cho ta cách thức đơn giản để thu được ước lượng của ρ từ
thống kê d. Từ (7.24) chỉ ra rằng giả thiết sai phân cấp 1 với ρ=±1 chỉ đúng khi d
=0 hoặc xấp xỉ bằng không. Cũng vậy khi d = 2 thì ρ=0 và khi d = 4 thì ρ=−1 .
Do đó thống kê d cung cấp cho ta một phương pháp sẵn có để thu được ước lượng
của ρ .
Nhưng lưu ý rằng quan hệ (7.26) chỉ là quan hệ xấp xỉ và có thể không đúng
với các mẫu nhỏ.
Khi ρ đã được ước lượng thì có thể biến đổi tập số liệu như đã chỉ ra ở (7.20)
và tiến hành ước lượng theo phương pháp bình phương nhỏ nhất thông thường. Khi
ta sử dụng một ước lượng thay cho giá trị đúng, thì các hệ số ước lượng thu được từ
phương pháp bình phương nhỏ nhất có thuộc tính tối ưu thông thường chỉ tiệm cận
có nghĩa là có thuộc tính đó trong các mẫu lớn. Vì vậy trong các mẫu nhỏ ta phải
cẩn thận trong khi giải thích các kết quả ước lượng.
3.2.3. Thủ tục lặp Cochrane – Orcutt để ước lượng ρ
Phương pháp này sử dụng các phần dư et đã được ước lượng để thu được
thông tin về ρ chưa biết.
Ta xét phương pháp này thông qua mô hình hai biến sau:
Y t=β1+β2 X t+U t (7.27)
Giả sử Ut được sinh ra từ lược đồ AR(1) cụ thể là
U t= ρU t−1+εt (7.28)
Các bước tiến hành như sau:
Bước 1: Ước lượng mô hình 2 biến bằng phương pháp bình phương nhỏ nhất thông
thường và thu được các phần dư et.
Bước 2: Sử dụng các phần dư đã ước lượng để ước lượng hồi quy:
e t= ρ e t−1+v t (7.29)
Bước 3: Sử dụng ρ thu được từ (7.29) để ước lượng phương trình sai phân tổng
quát (7.29) cụ thể là phương trình:
Y t− ρY t−1=β1(1− ρ )+β2( X t− ρ X t−1)+(U t− ρ U t−1 )
Hoặc đặt Y t¿=Yt− ρ Y t−1 ; β1
¿=β1(1− ρ ); β2¿=β2
Ta ước lượng hồi quy (7.30)
Y t¿=β1
¿+β2¿ X t
¿+e t¿
(7.30)
Bước 4: Vì chúng ta chưa biết trước rằng ρ thu được từ (7.29) có phải là ước lượng
tốt nhât của ρ hay không, ta thế giá trị β1¿= β1 (1− ρ )và β2
¿
thu được từ (7.30) vào
hồi quy gốc ban đầu (7.27) và thu được các phần dư mới chẳng hạn e**
e t**=Yt− β1
¿− β2¿ X t (7.31)
Các phần dư có thể tính dễ dàng.
Ước lượng phương trình hồi quy tương tự với (7.29)
e t**=^ρ et−1
** + Wt (7.32)
^ρ là ước lượng vòng 2 của ρ .
Thủ tục này tiếp tục cho đến khi các ước lượng kế tiếp nhau của ρ khác nhau
một lượng rất nhỏ chẳng hạn bé hơn 0,01 hoặc 0,005.
3.2.4. Thủ tục Cochrane – Orcutt hai bước
Đây là một kiểu rút gọn quá trình lặp. Trong bước 1 ta ước lượng ρ từ bước
lặp đầu tiên nghĩa là từ phép hồi quy (7.27) và trong bước 2 ta sử dụng ước lượng
của ρ để ước lượng phương trình sai phân tổng quát.
3.2.5. Phương pháp Durbin – Watson 2 bước để ước lượng ρ
Để minh hoạ phương pháp này chúng ta viết lại phương trình sai phân tổng
quát dưới dạng sau:
Y t=β1 (1−ρ)+β2 X t−ρβ2 X t−1+ ρY t−1+εt (7.33)
Durbin đã đề xuất thủ tục 2 bước để ước lượng ρ :
Bước 1: Coi (7.33) như là một mô hình hồi quy bội, hồi quy Y t theo Xt, Xt-1 và Yt-1
và coi giá trị ước lượng được của hệ số hồi quy của Y t-1 (=ρ ) là ước lượng của ρ .
Mặc dù là ước lượng chệch nhưng ta có ước lượng vững của ρ .
Bước 2: Sau khi thu được ρ , hãy đổi biến Y t¿=Y t− ρ Y t−1 và X t
¿=X t− ρ X t−1 và ước
lượng hồi quy bằng phương pháp bình phương nhỏ nhất thông thường trên các
biến đã biến đổi đó như là ở (7.20).
Như vậy theo phương pháp này thì bước 1 là ước lượng ρ còn bước 2 là để
thu được các ước lượng tham số.
3.2.6. Các phương pháp khác ước lượng ρ
Ngoài các phương pháp để ước lượng ρ đã trình bày ở trên còn có một số phương pháp khác nữa. Chẳng hạn ta có thể dùng phương pháp hợp lý cực đại để ước lượng trực tiếp các tham số của (1) mà không cần dùng đến một số thủ tục lặp đã thảo luận. Nhưng phương pháp ước lượng hợp lý cực đại liên quan đến thủ tục
ước lượng phi tuyến (đối với các tham số) và thủ tục tìm kiếm của Hildreth – Lu nhưng thủ tục này tốn nhiều thời gian và không hiệu quả so với phương pháp ước lượng hợp lý cực đại nén ngày này không được dùng nhiều
Tóm lại các phương pháp đã trình bày ở trên về cơ bản là các thủ tục 2 bước: Bước 1 để thu được ước lượng của ρ chưa biết, bước 2 sử dụng ước lượng đó để đổi biến để ước lượng phương trình sai phân tổng quát. Nhưng vì chúng ta sử dụng ρ thay cho ρ thực, nên tất cả các phương pháp ước lượng này được coi là phương pháp bình phương nhỏ nhất tổng quát ước lượng được hoặc chấp nhận được.
IV - THỰC HÀNH EVIEWS
4.1. Thu thập và giải thích số liệu
Stt Y X Z
1 15274100 948000 233000
2 15270300 996000 209000
3 15272200 1060000 217000
4 15269350 1221000 241000
5 15267450 1221000 418000
6 15269350 1221000 337000
7 15295950 1188000 393000
8 15252700 1269000 402000
9 15263650 1317000 418000
10 15261750 1269000 434000
11 15259850 1317000 482000
12 15260800 1478000 522000
13 15257950 1702000 506000
14 15258900 1879000 514000
15 15256050 2040000 610000
16 15251300 2152000 867000
17 15249400 2441000 931000
18 15247500 2521000 940000
19 15245600 1333000 163000
20 15244650 1429000 273000
21 15243700 1574000 209000
22 15241800 1991000 225000
23 15242750 2313000 402000
24 15240850 2554000 265000
25 15238950 2811000 177000
26 15237050 2521000 241000
27 15238950 2955000 177000
28 15236100 3373000 193000
29 15237050 3822000 257000
30 15234200 3822000 249000
Ơ đây
Y: Biến phụ thuộc – Giá Laptop (VN đồng) X: Biến giải thích – Giá Mainboard (VN đồng) Z: Biến giải thích – Ram(VN đồng)
Ta lựa chọn dạng mô hình hồi quy như sau: Y = β1 + β2X+ β3Z
Chạy Eviews hồi quy Y theo X và Z ta thu được bảng sau: .
Hồi quy 1.
Ta có mô hình hồi quy
Ŷi = 15277421 - 0.01366Xi + 0.00748Zi
4.2. Phát hiện tự tương quan
Từ bảng eview ta có D=1.2491
Với k=3. k’=2, n=30 ta có
Ta có DL=1.281 Du=1.567
Ta có 0<d<DL nên có hiện tượng tự tương quan bậc nhất
Kiểm định BG
Nhìn vào phần trên của bảng kết quả ta có: Pvalue =0.0492
Với a = 0,05 > 0.0492 → ta bác bỏ giả thiết cho rằng không có tự tương quan ở bậc 1, hay nói cách khác, ta kết luận tồn tại hiện tượng tự tương quan bậc 1.
4.3. Khắc phục tư tương quan
Ta có d=1.2491 nên p^= 1-d/2=0.37545
Ta có phương trình sai phân tổng quát
Y1t=Yt – Yt-1*0.37545
X1t= Xt- Xt-1*037545
Z1t= Zt- Zt-1 *037545
Ta được bảng số liệu mới như sau
y1t x1t z1t
9535639
640073.4
121520.2
9538966
686051.8
138531
9535403
823023
159527.4
9534573
762575.6
327516.6
9537186
762575.6
180061.9
9563073
729575.6
266473.4
9509836
822965.4
254448.2
9537024
840554
267069.1
9531013
774532.4
277061.9
9529826
840554
319054.7
9531489
983532.4
341033.1
9528283
1147085
310015.1
95303 12399 32402
03 84 2.3
9527096
1334529
417018.7
9523416
1386082
637975.5
9523299
1633032
605484.9
9522113
1604527
590456.1
9520926
386490.6
-18992
3
9520689
928525.2
211801.7
9520096
1037482
106502.2
9518553
1400042
146531
9520216
1565479
317523.8
9517960
1685584
114069.1
9516773
1852101
77505.75
9515586
1465610
174545.4
9518200
2008491
86516.55
95146 22635 12654
36 45 5.4
9516656
2555607
184538.2
9513450
2387030
152509.4
Ước lượng mô hình với các biến Y1T, X1T, Z1T ta được
Ta có d=2.22554
K=3. K’=2, n=29
Nên DL=1.270 và Du=1.563
Ta thấy 2<d<4-Du nên không có hiện tượng tự tương quan bậc 1=> khắc phục thành công
Kiểm tra băng kiểm định BG
Nhìn vào phần trên của bảng kết quả ta có: Pvalue =0.5264
Với a = 0,05 < 0.5264 → ta chấp nhận giả thiết cho rằng không có tự tương quan ở bậc 1, hay nói cách khác, ta kết luận không tồn tại hiện tượng tự tương quan bậc 1.