Lời mở đầu
Tỷ giá hối đoái là một yếu tố rất quan trọng, nó không chỉ tác động đến xuất
nhập khẩu, cán cân thương mại, nợ quốc gia, thu hút đầu tư trực tiếp, gián tiếp, mà
còn ảnh hưởng đến niềm tin của dân chúng. Hiện nay, tỷ giá hối đoái biến động rất
thường xuyên và thất thường, bởi nó chịu ảnh hưởng của nhiều yếu tố khác nhau.
Do đó, để đưa ra những chính sách can thiệp vào tỷ giá hối đoái là một trong
những quyết định khó khăn của NHTW. Trên thực tế, các nhà kinh tế học đã đưa ra
nhiều mô hình cũng như công cụ để các nhà điều hành chính sách tính toán, dự báo
tỷ giá hối đoái và đưa ra những quyết sách phù hợp với tình hình của từng quốc
gia. Tuy nhiên, liệu có thật sự có khả năng dự đoán tỷ giá hối đoái hay không và
trong số rất nhiều mô hình như vậy, thì mô hình dự đoán tỷ giá hối đoái nào thật sự
có hiệu quả ở các nền kinh tế hiện nay?
Với đề tài: “ Xây dựng mô hình nghiên cứu về Tỷ giá hối đoái thông qua ít
nhất 3 yếu tố ảnh hưởng” Chúng em xin trình bày về việc xây dựng mô hình
nghiên cứu các yếu tố ( Chênh lệch lãi suất, chênh lệch lạm phát, nợ công và thu
nhập bình quân ) ảnh hưởng như thế nào đến tỷ giá hối đoái. Từ đó có những nhận
xét và khắc phục để đưa ra mô hình hiệu quả nhất.
Chúng em xin gửi lời cảm ơn chân thành đến thầy Mai Hải An đã tận tình
hướng dẫn để giúp chúng em hoàn thành bài thảo luận này. Chúng em rất mong
nhận được sự góp ý của thầy cùng toàn thể các bạn để bài thảo luận được hoàn
thiện hơn.


Mục lục
Lời mở đầu
Mục lục
Tài liệu tham khảo
I.

II.

III.

Lý thuyết và xác định các nhân tố ảnh hưởng
1. Lý thuyết toán:
1.1 Phương sai sai số thay đổi
1.2 Tự tương quan
1.3 Đa cộng tuyến
1.4 Phát hiện và kiểm định các sai lầm chỉ định
2. Xác định các nhân tố ảnh hưởng
2.1 Chênh lệch lạm phát giữa Việt Nam và Mỹ
2.2 Chênh lệch lãi suất giữa Việt Nam và Mỹ
2.3 Nợ công
2.4 Thu nhập bình quân đầu người
Xây dựng mô hình và kiểm tra, khắc phục khuyết tật
1. Thiết lập, đánh giá và nêu ý nghĩa mô hình
1.1 Chọn biến
1.2 Thiết lập và nêu ý nghĩa mô hình
1.3 Kiểm định giải thiết về hệ số hàm hồi quy
1.4 Kiểm định loại bỏ biến
2. Thiết lập và nêu ý nghĩa mô hình mới
3. Kiểm định các khuyết tật của mô hình
3.1 Phương sai sai số thay đổi
3.2 Tự tương quan
3.3 Đa cộng tuyến
3.4 Kiểm định các biến bỏ sót
3.5 Kiểm định phân phối chuẩn Ui
4. Khắc phục khuyết tật
Kết luận và công bố mô hình



Tài liệu tham khảo:
- Giáo trình Kinh tế lượng, Trường Đại học Kinh tế Quốc dân.
- />- />view=chart
- />GDD/CHN/VNM


I. Lý thuyết và xác định các nhân tố ảnh hưởng
1. Lý thuyết toán
Mô hình hồi quy:
 Mô hình hồi quy tổng thể PRF (Popular Regression Of Function)
Cho:
- Y – Biến phụ thuộc, ngẫu nhiên, có quy luật xác định
- Xj – Biến ji ngẫu nhiên, có giá trị xác định (hay còn gọi là biến độc lập và
giải thích)
Ta có mô hình PRF: E(Y/Xji) = f(Xji)
-

(1

Nhận xét:
+ Nếu trong mô hình (1) mà chỉ có một biến giải thích thì được gọi là
mô hình hồi quy đơn (hay mô hình hồi quy hai biến).
+ Nếu trong mô hình (1) mà có nhiều hơn một biến giải thích thì được
gọi là mô hình hồi quy bội (hay mô hình hồi quy đa biến).
+ Mô hình hồi quy được gọi là mô hình tuyến tính nếu nó tuyến tính đối
với tham số, Còn với các biến giải thích thì tủy ý.

 Mô hình hồi quy mẫu SRF (Sample Regression Of Function)



Nếu ( Yi , Xji )nj=1 Thì ta có hàm hồi quy mẫu SRF.
Ta có mô hình SRF: = (Xji) (2)
Trong đó: là ước lượng của E(Y/Xji)
là ước lượng của f (Hàm bảo toàn dạng hàm f)

1.1. Phương sai sai số thay đổi
Ý tưởng:

Var () =

( không biết -> không theo dõi được)
Dùng làm ước lượng cho -> theo dõi được sự biến động của -> có cơ sở
nghiên cứu sự thay đổi của .
a) Phương pháp đồ thị phần dư
Bước 1: Ước lượng mô hình hồi quy gốc thu được .
Bước 2: Sắp xếp các theo chiều tăng của biến nào đó hoặc .
Bước 3: Vẽ đồ thị của theo biến đã sắp xếp đó. Khi đó, ta nhận được 5 dạng
đồ thị sau:


Hình 1: PP đồ thị phần dư
 Kết luận:
- Nếu X tăng mà giá trị của e cũng tăng theo thì ta có thể khẳng định là
mô hình có phương sai của sai số thay đổi. ( muốn có đồ thị phần dư
chính xác thì cỡ mẫu phải lớn.
- Nếu có dạng hình a) tức là khi X thay đổi , e dao động xung quanh một
vị trí nào đó, thì có cơ sở để nói phương sai thuần nhất, đồng đều,
không đổi.
- Hình b, c, d, e chắc chắn phương sai thay đổi.
b) Kiểm định Park

Kiểm định PARK là một phương pháp kiểm định hiện tượng phương sai của
sai số thay đổi trong các mô hình hồi quy. Đây là một phương pháp kiểm
định cho kết quả khá chính xác , tuy nhiên hạn chế của phương pháp này là
nó chỉ áp dụng được đối với mô hình hồi quy đơn.


- Ý tưởng:
=

( Vi ) (1)

+ Nếu =0
+ Nếu 0

phương sai sai số không đổi.
thay đổi thay đổi phương sai sai số thay đổi.

- PT(1) Ln = Ln + Ln + Vi
Lấy

Ln = + Ln + Vi

(2)

Bước 1: Ước lượng mô hình hồi quy gốc thu được .
Bước 2: Ước lượng mô hình (2) : Ln = + Ln + Vi
Bước 3: Bài toán kiểm định:

Tiêu chuẩn kiểm định: T =
Tính hoặc P-value.

c) Kiểm định Glejser
Kiểm định Glejser cũng giống như kiểm định Park. Sau khi thu thập được
phần dư từ hồi quy gốc theo phương pháp bình phương nhỏ nhất, Glejser đã
đề nghị hồi quy giá trị tuyệt đối của đối với biến nào đó mà có thể kết hợp
chặt chẽ với . Trong thực nghiệm Glejser sử dụng hàm hồi quy phụ sau:
= + + Vi
= +
=+

+ Vi
+ Vi


= +

+ Vi

Trong đó: Vi là sai số.
- Trong các mô hình hồi quy phụ nêu trên, nếu giả thiết:

bị bác bỏ

thì có thể cho rằng mô hình hồi quy gốc có phương sai sai số thay
đổi.
- Cần lưu ý rằng kiểm định Glejser cũng có vấn đề như kiểm định
Park như : E(Vi) 0 , Vi có tương quan chuỗi. Tuy nhiên Glejser cho
rằng với mẫu lớn thì bốn mô hình trên cho ta kết quả tốt trong việc
phát hiện phương sai sai số thay đổi. Do vậy mà kiểm định Glejser
được sử dụng như một công cụ để chuẩn đoán trong mẫu lớn.


d. Kiểm định White
Kiểm định BPG đòi hỏi U có phân phối chuẩn, White đề nghị một thủ tục
không đòi hỏi U có phân bố chuẩn. Kiểm định này là một kiểm định tổng
quát về sự thuần nhất của phương sai. Xét mô hình sau:
= + + + Ui (1)
Bước 1: Ước lượng (1) bằng OLS. Từ đó thu được các phần dư tương ứng .
Bước 2: Ước lượng mô hình sau:
= + + + + + + Vi (2)
Mô hình trên có hệ số mũ cao hơn và nhất thiết phải có hệ số chặn bất
kể mô hình gốc có hay không có hệ số chặn.
là hệ số xác định bội thu được từ (2).


Bước 3: Với : PSSS không đổi, có thể chỉ ra rằng: n có phần xấp xỉ (df), df
bằng hệ số của mô hình (2) không kể hệ số chặn.
Bước 4: Nếu n không vượt quá giá trị (df), thì giả thiết được chấp nhận.
Điều này nói rằng trong mô hình (2) : = ......= = 0. Trong trường hợp ngược
lại giả thiết bị bác bỏ.
Ta nhận thấy rằng bậc tự do của n tăng nhanh khi có thêm biến được
lập. Trong nhiều trường hợp người ta có thể bỏ các số hạng chứa các
tích chéo , i j. Ngoài ra trong trường hợp có sai lầm định dạng, kiểm
định White có thể đưa ra nhận định sai lầm là PSSS thay đổi trong
trường hợp PSSS là đồng đều.
d) Kiểm định dựa trên biến phụ thuộc
Kiểm định này dựa trên ý tưởng cho rằng phương sai của yếu tố ngẫu nhiên
phụ thuộc vào các biến độc lập có hay không có trong mô hình, nhưng
không biết rõ chúng là những biến nào. Vì vậy thay vì xem xét quan hệ đó
người ta xét mô hình sau:
= +
Trong mô hình trên, và đều chưa biết do đó sử dụng các ước lượng của nó

là và .
Bước 1: Ước lượng mô hình ban đầu bằng OLS. Từ đó thi được và .
Bước 2: Ước lượng mô hình sau bằng OLS:
= + + Vi.
Từ kết quả này thu được tương ứng. Có thể sử dụng hai kiểm định sau đây
để kiểm định giả thiết:


a.

Kiểm định:
n có phân bố xấp xỉ (1). Nếu n lớn hơn (1) thì bị bác bỏ.
Trường hợp ngược lại chấp nhận .

b.

Kiểm định F:
F = F(1, n-2)
Nếu F > thì hệ số 0, có nghĩa là bị bác bỏ.

I.2

Hiện tượng tự tương quan
a) Tự tương quan
+ 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)

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)
b) Nguyên nhân của sự tương quan
 Nguyên nhân khách quan


- Quán tính: các chuỗi thời gian mang tính chu kỳ, VD: các chuỗi số
liệu thời gian về GDP, chỉ số giá, sản lượng, tỷ lệ thất nghiệp…
- Hiện tượng mạng nhện: phản ứng của cung của nông sản đối với
giá thường có một khoảng trễ về thời gian:

QSt = 1 + 2Pt-1 + ut
- Độ trễ: tiêu dùng ở thời kỳ hiện tại phụ thuộc vào thu nhập và chi
tiêu tiêu dùng ở thời kỳ trước đó:

Ct = 1 + 2It + 3Ct-1 + ut
 Nguyên nhân chủ quan
- Hiệu chỉnh số liệu: do việc “làm trơn” số liệu  loại bỏ những
quan sát “gai góc”.
- Sai lệch do lập mô hình: bỏ sót biến, dạng hàm sai.
- Phép nội suy và ngoại suy số liệu
c) Hậu quả của hiện tượng tự tương quan
-

Các ước lượng OLS không còn BLUE
Phương sai ước lượng được của các ước lượng OLS là chệch

Kiểm định t và F không đáng tin cậy
Do công thức thông thường để tính phương sai của sai số là ước
lượng chệch của

thực, và trong một số trường hợp, nó dường

như là ước lượng thấp
- Kết quả
có thể là độ đo không đáng tin cậy cho
thực
- Các phương sai và sai số tiêu chuẩn của dự đoán đã tính được cũng
có thể không hiệu quả


d) Cách phát hiện tự tương quan trong Eviews
-

Phương pháp đồ thị

-

Burbin-Watson

-

Breusch - Godfrey (BG)

-

Correlogram


e) Cách khắc phục
- Trường hợp đã biết cấu trúc của tự tương quan ( đã biết) ta sử
dụng phương pháp GLS.
- Trường hợp  chưa biết :
 Ta sử dụng phương pháp sai phân cấp 1.
 Ước lượng  dựa trên thống kê d-Durbin-Watson.
 Thủ tục lặp Cochrance – Orcutt để ước lượng .
 Phương pháp Durbin – Watson 2 bước để ước lượng .
- Thực hành trên Eview.
- Khắc phục bằng thủ tục lặp Cochrane-Orcutt

I.3

Hiện tượng đa cộng tuyến

a) Giới thiệu về đa cộng tuyến


Thông thường các biến độc lập không có mối quan hệ tuyến tính, nếu quy tắc này
bị vi phạm sẽ có hiện tượng đa cộng tuyến. Như vậy, đa cộng tuyến là hiện tượng
các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng
hàm số
b) Các cách phát hiện hiện tượng đa cộng tuyến
 R cao nhưng tỉ số t thấp
Trong trường hợp Rcao (thường R> 0,8) mà tỉ số t thấp thì đó chính là dấu
hiệu của hiện tượng đa cộng tuyến
 Tương quan cặp giữa các biến giải thích cao
Nếu hệ số tương quan cặp giữa các biến giải thích cao (vượt 0,8) thì có khả
năng có tồn tại đa cộng tuyến. Tuy nhiên tiêu chuẩn này thường không chính

xác. Có những trường hợp tương quan cặp không cao nhưng vẫn có đa cộng
tuyến. Thí dụ, ta có 3 biến giải thích X, X, X như sau
= (1,1,1,1,1, 0,0,0,0,0, 0,0,0,0,0, 0,0,0,0,0)
= (0,0,0,0,0, 1,1,1,1,1, 0,0,0,0,0, 0,0,0,0,0)
= (1,1,1,1,1, 1,1,1,1,1, 0,0,0,0,0, 0,0,0,0,0)
Rõ ràng = + nghĩa là ta có đa cộng tuyến hoàn hảo, tuy nhiên tương quan
cặp là:
= -1/3 ; = =0,59


Như vậy đa cộng tuyến xảy ra mà không có sự bảo trước cuả tương
quan cặp những dẫu sao nó cũng cung cấp cho ta những kiểm tra tiên
nghiệm có ích.
 Xem xét tương quan riêng
Vì vấn đề được đề cập đến dựa vào tương quan bậc không. Farrar và
Glauber đã đề nghị sử dụng hệ số tương quan riêng. Trong hồi quy của Y đối
với các biến , , . Nếu ta nhận thấy răng cao trong khi đó , , tương đối thấp
thì điều đó có thể gợi ý rằng các biến , , có tương quan cao và ít nhất một
trong các biến này là thừa.
Dù tương quan riêng rất có ích nhưng nó cũng không đảm bảo rằng sẽ
cung cấp cho ta hướng dẫn chính xác trong việc phát hiện ra hiện tượng đa
cộng tuyến.
 Hồi quy phụ
- Một cách có thể tin cậy được để đánh giá mức độ của đa cộng tuyến là
hồi quy phụ. Hồi quy phụ là hồi quy mỗi một biến giải thích theo các
biến giải thích còn lại. được tính từ hồi quy này ta ký hiện
- Mối liên hệ giữa và :

=
tuân theo phân phối F với k – 2 và n- k +1 bậc tự do. Trong đó n là , k

là số biến giải thích kể cả hệ số chặn trong mô hình, là hệ số xác định
trong hồi quy của biến theo các biến khác.
Nếu F tính được vượt điểm tới hạn F( k-2, n-k+1) ở mức ý nghĩa đã
cho thì có nghĩa là X có liên hệ tuyến tính với các biến khác. Nếu có


ý nghĩa về mặt thống kê chúng ta vẫn phải quyến định liệu biến nào
sẽ bị loại khỏi mô hình. Một trở ngại của kỹ thuật hồi quy phụ là gánh
nặng tính toán. Nhưng ngày nay nhiều chương trình máy tính đã có
thể đảm đương được công việc tính toán này.
 Nhân tử phóng đại phương sai
- Một thước đo khác của hiện tượng đa cộng tuyến là nhân tử phóng đại
phương sai gắn với biến , ký hiệu là VIF().

- VIF() được thiết lập trên cơ sở của hệ số xác định trong hồi quy của
biến với các biến khác nhau như sau:

VIF() =

(1)

Nhìn vào công thức có thể giải thích VIF() bằng tỷ số chung của
phương sai thực của trong hồi quy gốc của Y đối với các biến và
phương sai của ước lượng trong hồi quy mà ở đó X trực giao với các
biến khác. Ta coi tình huống lý tưởng là tình huống mà trong đó các
biến độc lập không tương quan với nhau, và VIF so sánh tình huống
thực và tình huống lý tưởng. Sự so sánh này không có ích nhiều và nó
không cung cấp cho ta biết phải làm gì với tình huống đó. Nó chỉ cho
biết rằng các tình huống là không lý tưởng.
c) Biện pháp khắc phục

 Sử dụng thông tin tiên nghiệm
Một trong các cách tiếp cận để giải quyết vấn đề đa cộng tuyến là phải
tận dụng thông tin tiên nghiệm hoặc thông tin từ nguồn khác để ước lượng
các hệ số riêng.


Thí dụ: ta muốn ước lượng hàm sản xuất của 1 quá trình sản xuất nào đó
có dạng:

=A

Trong đó: Qt : lượng sản phẩm được sản xuất thời kỳ t
: lao động thời kỳ t
: vốn thời kỳ t
: nhiễu
A , , β là các tham số mà chúng ta cần ước lượng .
Lấy ln cả 2 vế (5.17) ta được:
Ln = LnA + ln + β
Đặt Ln = ; LnA = A* ; Ln =
Ta được = A* + + β + Ut (5.18)
Giả sử K và L có tương quan rất cao dĩ nhiên điều này sẽ dẫn đến
phương sai của các ước lượng của các hệ số co giãn của hàm sản xuất
lớn .
Giả sử từ 1 nguồn thông tin có lới theo quy mô nào đó mà ta biết được
rằng ngành công nghiệp này thuộc ngành cso lợi tức theo quy mô
không đổi nghĩa là + β =1 .Với thông tin này ,cách xử lý của chúng
ta sẽ là thay β = 1 – vào (5.18) và thu được:
= A* + + ( 1 – ) + Ut (5.19)
Từ đó ta được – = A* + ( – ) + Ut
Đặt – = và – =

ta được
= A* + + Ut


Thông tin tiên nghiệm đã giúp chúng ta giảm số biến độc lập trong mô
hình xuống còn 1 biến
Sau khi thu được ước lượng của a thì tính được từ điều kiện = 1 –
 Thu thập số liệu hoặc lấy thêm mẫu mới
Vì đa cộng tuyến là đặc trưng của mẫu nên có thể có mẫu khác liên
quan đến cùng các biến trong mẫu ban đầu mà đa cộng tuyến có thể
không nghiêm trọng nữa. Điều này có thể làm được khi chi phí cho
việc lấy mẫu khác có thể chấp nhận được trong thực tế.
Đôi khi chỉ cần thu thập them số liệu , tăng cỡ mẫu có thể làm giảm
tính nghiêm trọng của đa cộng tuyến.
 Bỏ biến
Khi có hiện tượng đa cộng tuyến nghiêm trọng thì cách “ đơn giản
nhất “là bỏ biến cộng tuyến ra khỏi phương trình. Khi phải sử dụng
biện pháp này thì cách thức tiến hành như sau:
Giả sử trong mô hình hồi quy của ta có Y là biến được giải thích
còn , , ... là các biến giải thích . Chúng ta thấy rằng tương quan chặt
chẽ với .Khi đó nhiều thông tin về Y chứa ở thì cũng chứa ở .Vậy nếu
ta bỏ 1 trong 2 biến hoặc khỏi mô hình hồi quy , ta sẽ giải quyết
được vấn đề đa cộng tuyến nhưng sẽ mất đi 1 phần thông tin về Y.
Bằng phép so sánh và trong các phép hồi quy khác nhau mà có
và không có 1 trong 2 biến chúng ta có thể quyết định nên bỏ biến nào
trong biến và khỏi mô hình.


- Ví dụ đối với hồi quy của Y đối với tất cả các biến , , ... là 0.94; khi
loại biến là 0.87 và khi loại biến là 0.92 ;như vậy trong trường hợp

này ta loại .
Lưu ý: 1 hạn chế của biện pháp này là trong các mô hình kinh tế
có những trường hợp đòi hỏi nhất định phải có biến này hoặc biến
khác ở trong mô hình .Trong trường hợp như vậy việc loại bỏ 1 biến
phải được cân nhắc cẩn thận giữa sai lệch khi bỏ 1 biến cộng tuyến
với việc tăng phương sai của các ước lượng hệ số khi biến đó ở trong
mô hình .
 Sử dụng sai phân cấp 1
Thủ tục được trình bày trong chương 7 – tự tương quan .Mặc dù biện
pháp này có thể giảm tương quan qua lại giữa các biến nhưng chúng
cũng có thể được sử dụng như 1 giải pháp cho vấn đề đa cộng tuyến.
- Giả dụ: Chúng ta có số liệu chuỗi thời gian biểu thị liên hệ giữa các
biến Y và các biến phụ thuộc và theo mô hình sau:
= ++ +

(t: thời gian)

(1)

Phương trình trên đúng với t thì cũng đúng với t-1 nghĩa là :
= ++ +
- Từ (1) và (2) ta được:
– = ( – ) + ( – ) + – (5.22)
Đặt:

= –
= –
= –

(2)



= –
Ta được: = + +

(3)

Mô hình hồi quy dạng (3) thường làm giảm tính nghiêm trọng
của đa cộng tuyến vì dù và có thể tương quan cao nhưng không có lý
do tiên nghiệm nào chắc chắn rằng sai phân của chúng cũng tương
quan cao.
Tuy nhiên biến đổi sai phân bậc nhất sinh ra 1 số bấn đề chẳng
hạn như số hạng sai số Vt trong (5.23) có thể không thỏa mãn giả thiết
của mô hình hồi quy tuyến tính cổ điển là các nhiễu không tương
quan. Vậy thì biện pháp sửa chữa này có thể lại còn tồi tệ hơn căn
bệnh.
 Giảm tương quan trong hồi quy đa thức
Nét khác nhau của hồi quy đa thức là các biến giải thích xuất hiện với
lũy thừa khác nhau trong mô hình hồi quy .Trong thực hành để giảm
tương quan trong hồi quy đa thức người ta thường sử dụng dạng độ
lệch .Nếu việc sử dụng dạng độ lệch mà vẫn không giảm đa cộng
tuyến thù người ta có thể phải xem xét đến kỹ thuật “đa thức trực
giao”.
 Một số biện pháp khác
- Ngoài các biện pháp đã kể trên người ta còn sử dụng 1 số biện pháp
khác nữa để cứu chữa căn bệnh này như sau:
+ Hồi quy thành phần chính.


+ Sử dụng các ước lượng từ bên ngoài.

- Nhưng tất cả các biên pháp đã trình bày ở trên có thể làm giải pháp
cho vấn đề đa cộng tuyến như thế nào còn phụ thuộc vào bản chất của
tập số liệu và tính nghiêm trọng của vấn đề đa cộng tuyến.
I.4 Phát hiện và kiểm định các sai làm chỉ định.
a) Phát hiện biến không cần thiết trong mô hình
- Gồm 2 loại kiểm định:
+ Kiểm định về một hệ số hồi quy
+ Kiểm định về ĐK ràng buộc
b) Kiểm định các biến bị bỏ sót
- TH1: Biết số liệu của biến bị bỏ sót
Giả sử ta cần đưa một biến T nào đó (biết số liệu biến T)
 ƯL: Yi =1 + 2X2i+…+kXki +Ti+Ui
Nếu H0: Không đưa T vào; H1: cần đưa T vào
- TH2: Khi chưa biết biến bị bỏ sót
Kiểm định RESET của RAMSEY
Bước 1: ƯLMH ban đầu thu được các t
Bước 2: ƯLMH : Yt = 1 +2X2t+…+ kXkt+2(t)2+…+p(t)p + Vt


Thu được
BTKĐ:

�
�H 0 :  2  ...   j  0
uuur
�
�H1 :  j �0(j  2, p )

TCKĐ: F =
 Dùng P_value hoặc miền bác bỏ

c) Kiểm định về tính phân bổ chuẩn của U
- Để sử dụng các kiểm định T, kiểm định F, x 2, trong hầu hết các trường hợp
chúng ta giả thiết rằng các yếu tố ngẫu nhiên U i và do đó cần phải thông qua e i
để đoán nhận.
Để kiểm định ei có phân bố chuẩn hay không người ta có thể dùng 2.
- Ngày này hầu hết các sản phẩm mềm kinh tế lượng thường sử dụng kiểm định
Jarque-Bera(JB).
JB = n
Trong đó S là hệ số bất đối xứng, K là độ nhọn.
- Trong trường hợp tổng quát S và K được tính như sau:

S=;
K=


Với n khá lớn JB có phân bổ xấp xỉ 2.
- Xét cặp giả thiết: .
H0 sẽ bị bác bỏ nếu JB > , trường hợp ngược lại không có cơ sở bác bỏ H0.
2.

Xác định các nhân tố ảnh hưởng

2.1. Chênh lệch lạm phát giữa Việt Nam và Mỹ
a, Lạm phát
Lạm phát được đo bằng chỉ số giá tiêu dùng phản ánh sự thay đổi phần trăm
hàng năm trong chi phí cho người tiêu dùng trung bình mua một giỏ hàng hóa
và dịch vụ có thể được cố định hoặc thay đổi theo các khoảng thời gian cụ thể,
chẳng hạn như hàng năm. Công thức Laspeyres thường được sử dụng.
b, Ảnh hưởng của lạm phát
- Lạm phát ảnh hưởng đến lãi suất: Tác động đầu tiên là tác động lên lãi suất. Để

duy trì sự ổn định và hoạt động của mình, hệ thống ngân hàng phải luôn luôn
cố gắng giữ cho lãi suất thực ổn định. Do đó tỷ lệ lạm phát tăng cao, muốn lãi
suất thực ổn định thì lãi suất danh nghĩa phải tăng lên cùng tỷ lệ lạm phát. Việc
tăng lãi suất danh nghĩa sẽ dẫn đến hậu quả mà nền kinh tế phải gánh chịu là
suy thoái kinh tế và thất nghiệp.
- Lạm phát ảnh hưởng đến thu nhập: Trong trường hợp thu nhập danh nghĩa
không đổi, lạm phát xảy ra làm giảm thu nhập thực tế. Lạm phát không chỉ làm
giảm giá trị thực của những tài sản không có lãi mà nó còn làm hao mòn những
tài sản có giá trị khác, tức là làm giảm thu nhập thực tế các khoản lãi. Khi lạm
phát tăng cao, người đi vay tăng lãi suất để bù đắp lạm phát. Điều này có nghĩa
là số tiền thu nhập mà người cho vay phải nộp tăng lên, kết quả là thu nhập


ròng mà người cho vay nhận được bị giảm làm chi người vay được lợi còn
người cho vay bị bất lợi. Điều này đã tạo lên sự phân phối thu nhập không bình
đẳng giữa người cho vay và người đi vay.
- Lạm phát ảnh hưởng đến nợ quốc gia: Lạm phát tăng cao làm cho các khoản
nợ nước ngoài tăng lên làm tăng tỷ giá, đồng tiền trong nước trở nên mất giá
nhanh so với đồng tiền nước ngoài tính trên các khoản nợ.
2.2. Chênh lệch lãi suất giữa Việt Nam và Mỹ
a, Lãi suất
- Lãi suất là tỷ lệ mà theo đó tiền lãi được người vay trả cho việc sử dụng tiền
mà họ vay từ một người cho vay. Cụ thể, lãi suất là phần trăm tiền gốc phải
trả cho một số lượng nhất định của thời gian mỗi thời kỳ (thường được tính
theo năm).
- Lãi suất thường được thể hiện như một tỷ lệ phần trăm của tiền gốc trong
một khoảng thời gian một năm.
b, Ảnh hưởng của lãi suất
Lãi suất ảnh hưởng đến tỷ giá:
- Lãi suất và tỷ giá chỉ có mối quan hệ tác động qua lại lẫn nhau một cách

gián tiếp, chứ không phải là mối quan hệ trực tiếp.
- Nhân tố hình thành lãi suất và tỷ giá không giống nhau, do đó biến động của
lãi suất (lên cao chẳng hạn) không nhất thiết đưa đến tỷ giá hối đoái biến
động theo (hạ xuống chẳng hạn).


- Ví dụ cụ thể như: Khi lãi suất của VNĐ cao hơn lãi suất của USD (lãi suất
thực), người ta sẽ có xu hướng chuyển từ nắm giữ USD sang nắm giữ VNĐ.
Điều này làm cho nhu cầu VNĐ tăng lên, cầu về USD giảm đi, từ đó giá
USD sẽ giảm đi so với VNĐ, hay tỷ giá giảm tới một mức tỷ giá mới mà
cung cầu USD - VNĐ trở nên cân bằng. Khi đó, lãi suất thực tế của VND và
USD tương đương nhau. Ngược lại, khi đồng USD tăng giá, để tạo cân bằng
trên thị trường ngoại hối, NHTW sẽ chủ động tăng lãi suất đồng nội tệ
(VND) thông qua đẩy mạnh lượng cung ngoại tệ ra nền kinh tế đồng thời hút
bớt đồng nội tệ về. Điều này làm cho cung cầu ngoại hối trở nên cân bằng.

2.3. Nợ công
a. Nợ công
Nợ công là toàn bộ cổ phiếu của các nghĩa vụ hợp đồng cố định trực tiếp
của chính phủ đối với những người khác xuất sắc vào một ngày cụ thể. Nó
bao gồm các khoản nợ trong nước và nước ngoài như tiền tệ và tiền gửi,
chứng khoán khác với cổ phiếu và các khoản vay. Đó là tổng số nợ phải
trả của Chính phủ giảm theo số vốn chủ sở hữu và các dẫn suất tài chính
do Chính phủ nắm giữ.
b. Ảnh hưởng của nợ công
Do thâm hụt ngân sách, một quốc gia sẽ tài trợ quy mô lớn cho các dự án
nhà nước và hoạt động của chính phủ bằng hình thức vay nợ. Mặc dù hoạt
động ày kích thích nền kinh tế trong nước, nhưng các quốc gia có thâm hụt
ngân sách và nợ công lớn sẽ trở nên kém hấp dẫn trong mắt các nhà đầu tư
nước ngoài. Hơn nữa, nó ảnh hưởng trực tiếp đến tỷ giá hối đoái của quốc

gia này.


2.4. Thu nhập bình quân đầu người
- Thu nhập bình quân đầu người của một nhóm người có thể nghĩa là tổng
thu nhập cá nhân chia tổng dân số. Thường tính thu nhập trên đầu người
dùng đơn vị tiền tệ hàng năm.
- Ảnh hưởng:
Nếu như đồng VND mất giá so với USD thì khi xác định GDP bang
đồng USD thì hiển nhiên GDP sẽ bị giảm đi. Ngược lại nếu VND tang
giá nhiều so với USD tại thời điểm tính GDP thì hiển như GDP tính bằng
USD sẽ cao hơn. Vậy nên khi tính GDP thì luôn luôn chịu ảnh hưởng tỉ
giá giữa VND và USD.

II. Xây dựng mô hình và kiểm tra, khắc phục các khuyết tật
1. Thiết lập và đánh giá, nêu ý nghĩa mô hình
1.1. Chọn biến:
- Biến phụ thuộc: TGHD: Tỷ giá hối đoái giữa VND và USD
- Biến giải thích:
 CLLP : Chênh lệch lạm phát giữa Việt Nam và USA
 CLLS : Chênh lệch lãi suất giữa Việt Nam và USA
 NC : Nợ công của Việt Nam
 TNBQ: Thu nhập bình quân theo đầu người của Việt Nam
- Mô hình hồi quy tổng thể:
=+i+i+i+i
Năm
1996
1997
1998


TGHD
11032.5
8
11683.3
3

2001

13268
13943.1
7
14167.7
5
14725.1
7

2002

15279.5

1999
2000

CLLP
2.74379
6
0.87183
6
5.71391
9

1.92907
5
-5.08719
-3.25772
2.24479
7

CLLS
4.16113
9
0.71840
7
-2.08039
0.22110
4
0.10275
7
2.08471
6
1.07453
4

NC

TNBQ

94.44

3505650


76.15

3974974

79.313

4516952

75.812

4970490

41.664

5857579

39.896

6325259

40.752

6969661