Giả định CLRM (Classical Linear Regression Model mô hình hồi qui tuyến tính cổ điển): Các biến độc lập không có mối quan hệ tuyến tính chính xác (Independent Variables do not exist exact linear relationship) Nếu điều này xảy ra thì sẽ có hiện tượng đa cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số. | Chapter 7: Multicollinearity ĐA CỘNG TUYẾN Thành Thái 1. Giới thiệu Đa cộng tuyến trong kinh tế lượng Thành Thái Nhớ lại giả định ban đầu Giả định CLRM (Classical Linear Regression Model - mô hình hồi qui tuyến tính cổ điển): Các biến độc lập không có mối quan hệ tuyến tính chính xác (Independent Variables do not exist exact linear relationship) Nếu điều này xảy ra thì sẽ có hiện tượng đa cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số. Thành Thái Ví dụ Đa cộng tuyến hoàn hảo: X2 X3 X4 10 50 52 15 75 75 18 90 97 24 120 129 X2 và X3 có mối quan hệ tuyến tính chính xác: X3 = 5X2 Thành Thái Ví dụ (tt) Giả sử chúng ta ước lượng hàm tiêu dùng. Trong đó: Y : tiêu dùng, X2 : thu nhập và X3 : của cải. Y = 1 + 2X2 + 3X3 X3 = 5X2 Y = 1 + 2X2 + 35X2 Y = 1 + ( 2 + 5 3)X2 Thành Thái Ví dụ (tt) Chúng ta có thể ước lượng ( 2 + 5 3) nhưng không thể ước lượng riêng từng hệ số hồi qui Không thể có nghiệm duy nhất . | Chapter 7: Multicollinearity ĐA CỘNG TUYẾN Thành Thái 1. Giới thiệu Đa cộng tuyến trong kinh tế lượng Thành Thái Nhớ lại giả định ban đầu Giả định CLRM (Classical Linear Regression Model - mô hình hồi qui tuyến tính cổ điển): Các biến độc lập không có mối quan hệ tuyến tính chính xác (Independent Variables do not exist exact linear relationship) Nếu điều này xảy ra thì sẽ có hiện tượng đa cộng tuyến, đó là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số. Thành Thái Ví dụ Đa cộng tuyến hoàn hảo: X2 X3 X4 10 50 52 15 75 75 18 90 97 24 120 129 X2 và X3 có mối quan hệ tuyến tính chính xác: X3 = 5X2 Thành Thái Ví dụ (tt) Giả sử chúng ta ước lượng hàm tiêu dùng. Trong đó: Y : tiêu dùng, X2 : thu nhập và X3 : của cải. Y = 1 + 2X2 + 3X3 X3 = 5X2 Y = 1 + 2X2 + 35X2 Y = 1 + ( 2 + 5 3)X2 Thành Thái Ví dụ (tt) Chúng ta có thể ước lượng ( 2 + 5 3) nhưng không thể ước lượng riêng từng hệ số hồi qui Không thể có nghiệm duy nhất cho từng hệ số hồi qui (xem lại cách tính các hệ số hồi qui). Như vậy các hệ số hồi qui sẽ không xác định được. Sai số chuẩn của các hệ số hồi qui là một vô cùng lớn. Thành Thái Multicollinearity Đa cộng tuyến hoàn hảo thường rất ít khi xảy ra trong thực tế Trừ trường hợp chúng ta rơi vào bẫy biến giả (dummy trap – chúng ta đã nói ở phần trước) Đa cộng tuyến không hoàn hảo thường hay xảy ra trong thực tế (Near collinearity) khi các biến độc lập tương quan khá cao. Trường hợp thứ hai chúng ta có thể ước lượng các hệ số hồi qui. Tuy nhiên sai số chuẩn rất lớn và vì vậy hệ số hồi qui ước lượng không chính xác, kiểm định t ít có ý nghĩa thống kê và dễ dàng chấp nhận giả thuyết “không”. Thành Thái 2. Nguồn gốc của Multicollinearity Thành Thái Nguồn gốc Đa cộng tuyến Do phương pháp thu thập dữ liệu Các giá trị của các biến độc lập phụ thuộc lẫn nhau trong mẫu, nhưng không phụ thuộc lẫn nhau trong tổng thể. Ví dụ: người có thu nhập cao hơn khuynh hướng sẽ có nhiều của cải hơn. Điều
