Sử dụng EVIEWS để kiểm tra sự vi pham
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (522.34 KB, 29 trang )
Sử dụng EVIEWS để kiểm tra sự vi phạm của các giả định đối
với cross-sectional data
By: LE Hong Hanh, Msc.
Faculty of Finance and Banking
Cross-sectional data
• Thu thập dữ liệu (done)
• Chạy dữ liệu – chạy excel
• Kiểm tra sự vi phạm các giả thuyết:
Ví dụ: R²= 90% - chưa chắc 90% là đúng.
1. Hiện tượng Đa cộng tuyến
(Correlation)
• Là hiện tượng các biến giải thích trong mô hình phụ thuộc tuyến tính lẫn nhau.
• Dấu hiệu nhận biết
▫ R² có giá trị cao trong khi t-ratio nhỏ
▫ Dấu của một số hồi quy không như kỳ vọng
Để xem xét đa cộng tuyến:
* Tìm ma trận tương quan giữa các biến:
▫ Nếu hệ số tương quan cao >0.8 mà t thấp => khả năng cao có đa cộng tuyến cao.
* Tính VIF = 1 / (1-R²)
- Nếu VIF>10 thì có đa cộng tuyến cao
Cách khắc phục đa cộng tuyến:
- Bổ sung thêm dữ liệu hoặc chọn mẫu mới
- Thay đổi dạng mô hình
- Bỏ bớt biến
2. Phương sai sai số ngẫu nhiên thay đổi
• Để kiểm định phương sai sai số ngẫu nhiên thay đổi:
Vào View > Residual Diagnostics > Heteroskedasticity test
• Có thể kiểm định sử dụng: White test hoặc Breusch-Pagan-Godfrey test.
• Đối với White-test (sử dụng phổ biến):
Cặp giả thuyết mặc định của giả thuyết:
Ho: Mô hình gốc có phương sai sai số không đổi
H1: Mô hình gốc có phương sai sai số thay đổi
Cách áp dụng trên Eviews:
Bảng kết quả thể hiện 3 kiểm định:
•
•
Trong đó quan tâm tới Kiểm định F:
Nếu: F-test > F(k-1, n-k) -> bác bỏ Ho.
Cách khắc phục:
Chuyển mô hình gốc sang dạng logarit
Hoặc sử dụng phương pháp WLS (Weighted Least Squares)
Ước lượng điều chỉnh sai số chuẩn (Robust Standard Errors)
•
Robust Standard error
• Không phải để khắc phục phương sai thay đổi mà để các kiểm định này đáng tin
cậy hơn -> ước lượng lại phương sai
• Cách làm trên eviews: Vào Equation Estimation ->
Covariance matrix -> White -> OK
Options -> Ở mục Coefficient
3. Hiện tượng tự tương quan
dụng kiểm định Durbin-Watson hoặc Breusch-Godfrey.
•
• Sử
• Cặp giả thuyết mặc định:
Ho: ( Mô hình gốc không có tự tương quan)
H1: Có tự tương quan
Cách làm trong Eviews:
View -> Residual Diagnostics -> Serial correlation LM Test -> lags to include: 1
Kết quả ra kiểm định F, tương tự phần trước, F>F
•
Cách khắc phục
• Nhiều phương pháp và phức tạp
• Sử dụng Newey-West
• Trên Eviews: Quick > Estimate Equation -> nhập hàm -> Options -> Coefficient
covariance matrix -> HAC (Newey-West) > OK
4. Sai số ngẫu nhiên không phân phối chuẩn
• Kiểm định Jarque- Bera
• Ho: u có phân phối chuẩn
H1: u không phân phối chuẩn
• Trên Eviews: View > Residual Diagnostics > Histogram – Normality Test.
• Căn cứ vào kết quả 2 dòng cuối:
Jarque-Bera và probability. Nếu P > 0.05 thì accept giả thuyết Ho.
PANEL DATA
Panel data
Phân loại dữ liệu bảng
• Dữ liệu bảng cân bằng (balanced): Khi các đơn vị chéo có cùng số quan sát theo
thời gian
• Dữ liệu bảng không cân bằng (Unbalance): Khi các đơn vị chéo không có cùng số
quan sát theo thời gian
Các lưu ý khi sử dụng dữ liệu bảng
• Dữ liệu bảng không thể thực hiện hồi quy bằng OLS thông thường !!
• Các trường hợp có thể xảy ra cho các đơn vị chéo:
▫ Các đơn vị chéo có điều kiện đặc thù giống nhau hoặc khác nhau
▫ Các đơn vị chéo có sự khác biệt về tác động biên của các nhân tố ảnh hưởng
Dữ liệu bảng
• Mô hình tác động cố định
• Mô hình tác động ngẫu nhiên
• Kiểm định Hausman để kết luận nên sử dụng mô hình nào
• Statistician
Andrew
Gelman
says that the terms 'fixed effect' and 'random effect' have variable meanings
depending on who uses them
Random effect models: Giả định là thành phần sai số không tương quan với bất kỳ
biến giải thích nào trong mô hình. Mô hình này giả sử các đặc điểm riêng biệt của các
thực thể có tính ngẫu nhiên (không có tương quan với các biến độc lập).
Fixed effect models: Có nhiều khả năng rằng các đặc điểm riêng biệt của các thực
thể khác nhau thì khác nhau và nếu chúng có tương quan với các biến độc lập trong
mô hình (biểu hiện qua sự tương quan giữa các biến độc lập và phần dư ) thì kết quả
ước lượng của β2 và β3 không phải là tác động biên thực (net effects) của các biến
X2 và X3
Hausman test (1978)
• H0: : Không có tương quan giữa các biến giải thích và thành phần ngẫu nhiên
•
•
(chọn REM)
H1: Có tương quan giữa các biến giải thích và thành phần ngẫu nhiên (chọn FEM)
Nếu giả thuyết H0 bị bác bỏ (p-value <0.05) thì chúng ta đi đến kết luận FEM là mô
hình phù hợp hơn.
Các bước trong eviews
• Import data ở dạng Panel
• Estimate equation ở dạng Random (Theo eviews, phải estimate ở dạng Random
trước sau đó mới sử dụng Hausman test được)
• Sau khi chạy random > Vào kiểm định Hausman
Kiểm định Hausman
• Ho: There is random effect
• H1: There is fixed effect
>> khi P_value < 0.05 => bác bỏ Ho, chấp nhận H1
>> Khi P_value > 0.05 => Fail to reject Ho.
Nếu kết quả là FEM
Chạy hồi quy với biến giả:
• Thêm biến giả
Giả sử có N công ty -> thêm N-1 biến giả
•
•
Sau đó, chạy hồi quy như bình thường (bỏ chọn ở phần Panel option)
Đọc kết quả
1. Descriptive statistic
2. Kiểm định về hiện tượng phương sai thay đổi
Chạy hồi quy thông thường:
Ví dụ: ROE c x1 x2 x3
Đặt tên biến cho phần dư:
GENR U = RESID
FORECAST YF
Vẽ đồ thị: SCAT YFU
