TRƯỜNG ĐẠI HỌC TÀI CHÍNH – MARKETING BỘ MÔN TOÁN HƯỚNG DẪN SỬ DỤNG PHẦN MỀM EVIEW 7.0

TRƯỜNG ĐẠI HỌC TÀI CHÍNH – MARKETING BỘ MÔN TOÁN HƯỚNG DẪN SỬ DỤNG PHẦN MỀM EVIEW 7.0

Màn hình Eviews

Các kiểu dữ liệu thông thường

Số liệu theo thời gian

một đối tượng Chẳng hạn như số liệu về GDP bình quân của Việt Nam từ 1998 – 2006 được cho trong bảng sau:

Số liệu chéo

Năm 2006, các nước như Brunei, Campuchia, Indonesia, Lào, Malaysia, Myanmar, Philippines, Singapore, Thái Lan và Việt Nam đều có mức tăng trưởng GDP bình quân khác nhau Dữ liệu này thể hiện rõ sự phân hóa về mức sống và tiềm năng kinh tế của các quốc gia trong khu vực Đông Nam Á Thông tin này giúp đánh giá xu hướng phát triển kinh tế của từng quốc gia và tham khảo để xây dựng các chiến lược hợp tác, đầu tư phù hợp.

Số liệu hỗn hợp

nhiều thời điểm khác nhau ở nhiều địa phương, đơn vị khác nhau Chẳng hạn như số liệu về GDP bình quân của các nước từ 1998 – 2006

Nhập dữ liệu

Nhập trực tiếp vào Eview

Để minh họa cho phần này, ta xét các ví dụ sau:

Ví dụ 1 Bảng 4 dưới đây cho biết số liệu về GDP bình quân đầu người của Việt Nam trong các năm 1998 – 2006

Ví dụ 2 Bảng 5 dưới đây cho biết số liệu về doanh số của một công ty

Dưới đây là bảng số liệu về năng suất (Y, đơn vị tạ/ha) và mức phân bón (X, đơn vị tạ/ha) của một loại cây trồng trong 10 năm từ 1988 đến 1997, giúp bạn đánh giá mối quan hệ giữa lượng phân bón và năng suất cây trồng trong giai đoạn này Các số liệu này thể hiện rõ ảnh hưởng của việc mở rộng cường độ phân bón đến hiệu quả sản xuất nông nghiệp theo thời gian Bảng 6 cung cấp các thông tin quan trọng để phân tích xu hướng phát triển của sản lượng cây trồng dựa trên mức phân bón sử dụng qua từng năm.

Trong Bảng 7, chúng ta có số liệu về doanh thu (Y), chi phí cho quảng cáo (X2) và tiền lương của nhân viên tiếp thị (X3) của 12 công nhân, đều được tính bằng triệu đồng Dữ liệu này giúp phân tích mối quan hệ giữa các yếu tố như chi phí quảng cáo và tiền lương với doanh thu, hỗ trợ đưa ra các quyết định kinh doanh hiệu quả Việc nắm bắt rõ các số liệu này là nền tảng để tối ưu hóa chiến lược marketing và nâng cao hiệu suất làm việc của công ty.

Mở Eview, để nhập dữ liệu: Chọn File → New → Workfile, ta có màn hình như sau:

Tuỳ vào kiểu dữ liệu cần khảo sát, ta có thể chọn được các kiểu sau :

Multi – year : Số liệu nhiều năm Annual : Số liệu năm

Semi – Annual : Số liệu nửa năm Quarterly : Số liệu theo quý Monthly : Số liệu theo từng tháng Bimonthly : Mỗi tháng 2 lần/2 tháng 1 lần Fortnight : Hai tuần lễ/15 ngày

Ten – day (Trimonthly) : Weekly : Số liệu theo từng tuần

Unstructure / Undate : Số liệu chéo Để nhập dữ liệu ở ví dụ 1, ta chọn các khai báo như trong hình 3 như sau:

Hình 3 Để nhập dữ liệu ở ví dụ 2, ta chọn các khai báo như trong hình 4

Hình 4 Để nhập dữ liệu cho ví dụ 3, ví dụ 4, ta có thể khai báo báo như trong hình 5

Hình 5 Trong ô Observations ta nhập cỡ mẫu (số các quan sát)

Chẳng hạn như trong ví dụ 3, ta nhập 10 rồi nhấn OK ta được hình 6

Hình 6 Để nhập số liệu ta chọn : Quick →Empty Group (Edit Series), màn hình xuất hiện một cửa sổ như hình 7 Trong đó

- Cột obs ghi thứ tự quan sát

- Các cột kế tiếp để khai báo các biến và nhập số liệu

Bạn nhập số liệu cho biến Y vào cột thứ hai bằng cách nhấp vào đầu cột, gõ tên biến Y rồi nhấn Enter Sau đó, nhập các giá trị dữ liệu vào các ô bên dưới, thay thế các ô ghi chữ NA Ví dụ như trong ví dụ 3 và ví dụ 4, bạn khai báo và nhập dữ liệu tuần tự theo hướng dẫn trong các hình minh họa để đảm bảo quá trình phân tích dữ liệu chính xác.

Nhập từ Excel và Word có sẵn

Giả sử ta có sẵn File Excel vidu 3.xls chứa số liệu của ví dụ 3 Khi đó ta thực hiện các bước Import sau: (Excel 2003 mới dùng được)

Mở chương trình Eviews chọn File → Open →Foreign Data as Workfile…như sau

Chọn Open để mở tệp sẽ hiển thị kết quả như hình 12, trong đó chúng ta có thể thấy hai cột số liệu của X và Y tương ứng trong Sheet1 của tệp vidu 3.xls.

Sau đó chọn Next ta được kết quả như trong Hình 13

Trong của sổ này với cột nội dung Column info ta có thể mô tả lại tên của các biến tại các ô

Name: Tên biến; Description: Mô tả tên biến

Hình 13 Cuối cùng chọn Finish ta được kết quả như trong hình 14

L ư u ý Các b ướ c trên đượ c g ọ i là trích l ọ c d ữ li ệ u t ừ m ộ t file d ữ li ệ u có s ẵ n

Ta có thể thực hiện copy trực tiếp từ một file Word hoặc Excel

Mở của sổ Group của Eview

Từ file excel hoặc file word bôi đen rồi copy và paste vào file trên Chẳng hạn ta có file word ta thực hiện như sau:

Ta paste vào của sổ Group như sau

Và được kết quả như sau:

Vẽ đồ thị

Vẽ biểu đồ phân tán số liệu

Việc vẽ đồ thị phân tán giúp chúng ta đánh giá sơ bộ mối quan hệ giữa hai biến và hình dung dạng hàm hoặc mô hình của chúng Thông qua đồ thị phân tán, người dùng có thể dễ dàng nhận biết các xu hướng và mô hình liên quan giữa các biến như Y và X, từ đó hỗ trợ phân tích dữ liệu một cách hiệu quả Đây là bước quan trọng trong quá trình trực quan hóa dữ liệu nhằm xác định các mối liên hệ tiềm năng giữa các biến trong nghiên cứu hay phân tích thống kê.

Từ của sổ Eviews chọn Quick→Graph

Hình 19 minh họa một cửa sổ Series List xuất hiện khi thực hiện thao tác Bạn cần nhập tên biến độc lập (X) và biến phụ thuộc (Y), và lưu ý rằng cách đặt tên giữa hai biến này chỉ cần có khoảng trắng Khi điền đầy đủ thông tin, màn hình sẽ hiển thị kết quả như hình minh họa bên dưới, giúp bạn dễ dàng theo dõi và phân tích dữ liệu.

Nhấp OK, ta được màn hình sau

Ta chọn Scatter rồi nhấn Ok, ta được đồ thị phân tán dữ liệu như sau

Hình 22 Làm tương tự như các bước trên ta có thể vẽ các loại đồ thị khác

Vẽ đường hồi quy tuyến tính

Hình 23 Thực hiện các bước tương tự như trên Ta chọn Scatter→Regression line rồi nhấn

Ok, ta được đồ thị đường hồi quy như sau:

18 Đối với đồ thị cần hiệu chỉnh màu (đường nét,…,) ta chỉ cần nhấp đúp vào đồ thị màn hình sau sẽ xuất hiện:

- Color : hiệu chỉnh màu sắc

- Line pattern : hiệu chỉnh kiểu đường nét

- Line width : hiệu chỉnh độ rộng của đường nét

- Symbol size : chọn kiểu hiển thị cho các điểm

Tìm hàm hồi quy tuyến tính mẫu (SRF)

Để tìm hàm hồi quy tuyến tính mẫu của biến Y theo biến X, có nhiều phương pháp khác nhau, ví dụ như trong ví dụ 3 Trong bài viết này, tôi sẽ giới thiệu một cách làm đơn giản nhất để xác định mô hình hồi quy tuyến tính một cách dễ dàng và hiệu quả.

Từ cửa sổ Command ta gõ dòng lệnh ls y c x và nhấn Enter Ta có bảng hồi quy sau mà ta gọi là bảng Equation

Hình 26 Các kết quả ở bảng trong hình 22 lần lượt là

- Dependent Variable : Tên biến phụ thuộc

- Method: Least Squares : Phương pháp bình phương tối thiểu (nhỏ nhất)

- Date – Time : Ngày giờ thực hiện

- Included observations : Cỡ mẫu là 10 (số các quan sát)

- Cột Variable : Các biến giải thích có trong mô hình (trong đó C là hệ số bị chặn)

- Cột Coefficient : Giá trị các hệ số hồ quy β βɵ ɵ 1 ; 2

- Cột Std Error : Sai số chuẩn của các hệ số hồi quy

- Cột t – Statistic : Giá trị thống kê t tương ứng ɵ

(Trong đó t là đại lượng ngẫu nhiên có phân phối Student vớ bậc tự do (n – 2))

- Cột Prob : Giá trị xác suất (p – value) của thống kê t tương ứng

- R – Squared : Hệ số xác định mô hình (R ) 2

- Adjusted R – Squared : Hệ số xác định có hiệu chỉnh (R 2 )

- S.E of regression : Giá trị ước lượng cho σ : σɵ (sai số chuẩn của hồi quy)

- Sum squared resid : Tổng bình phương các sai lệch (phần dư) ( RSS )

- Log likelihood : Tiêu chuẩn ước lượng hợp lý (Logarit của hàm hợp lý)

- Durbin – Watson stat : Thống kê Durbin – Watson

- Mean dependent var : Giá trị trung bình mẫu của biến phụ thuộc

- S.D dependent var : Độ lệch chuẩn mẫu của biến phụ thuộc

- Akaike info criterion : Tiêu chuẩn Akaike

- Schwarz info criterion : Tiêu chuẩn Schwarz

- F – Statistic : Giá trị của thống kê F

- Prob (F – Statistic ) : Giá trị xác suất (p-value) của thống kê F tương ứng

Với F là biến ngẫu nhiên có phân phố Fisher có bậc tự do (k − 1,n − k)

Muốn thể hiển đường hồi quy Từ bảng Equation→View→Representations, ta có kết quả sau:

Một số hàm trong Eviews

ABS(X) : giá trị tuyệt đối của X

@MEAN(X) : giá trị trung bình của X

@COV(X,Y) : hiệp phương sai của X, Y

@COR(X,Y) : hệ số tương quan của X, Y

Cách tìm một số dạng hàm hồi quy

Giả sử ta có số liệu của các biến Y và X tại thời điểm t Nếu tìm hàm hồi quy của Y t theo X và Y t 1 − (biến trễ thì câu lệnh sẽ là y c x y(-1)

Giả sử ta có số liệu của các biến Y và X Nếu tìm hàm hồi quy của ln(Y) theo ln(X) thì câu lệnh sẽ là log(y) c log(x)

Giả sử ta có số liệu của các biến Y và X Nếu tìm hàm hồi quy của Y theo X thì câu lệnh sẽ là y c sqr(x)

Giả sử ta có số liệu của các biến Y và X Nếu tìm hàm hồi quy của Y theo e thì câu X lệnh sẽ là y c exp(x)

Giả sử ta có số liệu của các biến Y và X Nếu tìm hàm hồi quy của Y theo X và X 2 thì câu lệnh sẽ là y c x x^2

Giả sử ta có số liệu của các biến Y và X Nếu tìm phương trình sai phân cấp 1 của Y theo X thì câu lệnh sẽ là d(y) c d(x)

Giả sử ta có số liệu của các biến Y và X Nếu tìm phương trình sai phân cấp k của Y theo X thì câu lệnh sẽ là d(y,k) c d(x,k)

Trong các trường hợp cần tìm hàm hồi quy nhưng không sử dụng toàn bộ các quan sát của mẫu, ví dụ như chỉ sử dụng 7 cặp quan sát đầu tiên để xác định hàm hồi quy của Y theo X, ta cần thực hiện các thao tác phù hợp để đảm bảo kết quả chính xác và tin cậy Điều này giúp hạn chế ảnh hưởng của dữ liệu sai lệch hoặc nhiễu, đồng thời tối ưu hóa quá trình phân tích dữ liệu Việc chọn lựa cẩn thận các quan sát đầu vào cũng giúp cho mô hình dự báo phù hợp hơn và nâng cao khả năng ứng dụng trong thực tế.

Từ bảng Equation chọn Estimate, ta có màn hình sau Ta chỉnh 10 thành 7

Tìm ma trận tương quan và ma trận hiệp phương sai của các hệ số hồi quy

Ma trận tương quan giữa các biến

Giả sử ta có mẫu gồm các biến Y, X2, X3 cho trong ví dụ 4 Để tìm ma trận tương quan của các biến này ta thực hiện như sau:

Từ cửa sổ Eviews chọn Quick →Group Statistics →Correlations

Khi đó màn hình xuất hiện như sau:

Nhấp chuột sẽ xuất hiện cửa sổ sau

Hình 30 Sau đó nhấn OK, ta được ma trận tương quan như sau

Ma trận tương quan (Correlation) thể hiện xu thế và mức độ tương quan tuyến tính giữa hai biến trong mô hình Hệ số tương quan giữa X2 và X3 là 0.480173, cho thấy mối quan hệ tuyến tính giữa hai biến này là yếu và mang chiều hướng thuận Điều này giúp xác định rõ mức độ liên kết giữa các biến trong phân tích dữ liệu.

8.2 Ma trận hiệp phương sai giữa các hệ số hồi quy

Trong ví dụ 4, giả sử có mẫu gồm các biến Y, X2, X3, việc xác định ma trận hiệp phương sai giữa các hệ số hồi quy là bước quan trọng Để thực hiện điều này, ta tiến hành các bước phân tích thống kê liên quan, qua đó giúp đánh giá mức độ biến thiên giữa các hệ số hồi quy Việc tính toán ma trận hiệp phương sai hỗ trợ trong việc kiểm định độ chính xác của các ước lượng, nâng cao độ tin cậy của mô hình phân tích dữ liệu Điều này là cơ sở để đánh giá tác động của các biến độc lập lên biến phụ thuộc một cách chính xác hơn.

Từ cửa sổ Equation chọn View →Covariance Matrix

Khi đó màn hình xuất hiện như sau:

Ma trận hiệp phương sai của các hệ số hồi quy

Hình 32 Nhấp chuột, ta được ma trận hiệp phương sai giữa các hệ số hồi quy như sau

Ma trận hiệp phương sai của các hệ số hồi quy (Coefficient Covariance matrix) thể hiện phương sai của các hệ số nằm trên đường chéo chính, phản ánh độ biến thiên của từng hệ số độc lập trong mô hình Các thành phần còn lại của ma trận là hiệp phương sai giữa các hệ số, cho thấy mức độ liên hệ và phụ thuộc giữa chúng trong quá trình phân tích hồi quy Ý nghĩa của ma trận này giúp đánh giá độ chính xác và độ tin cậy của các ước lượng hệ số hồi quy trong mô hình, qua đó nâng cao hiệu quả phân tích thống kê.

Chẳng hạn, ví dụ 4 bên trên Nhìn vào ma trận hiệp phương sai bên trên ta có phương sai của các hệ số hồi quy là: var ( )β =ɵ 1 39.10093; var( )β =ɵ 2 0.107960; var( )β =ɵ 3 0.168415.

Bài toán tìm khoảng tin cậy cho các hệ số hồi quy

Khoảng ước lượng các hệ số hồi quy tổng thể

25 ɵ j ( )ɵ j ɵ j ( ) ɵ j j  Cse ; Cse ; j 1, 2, , k β ∈ β − β β + β  Trong đó C là giá trị được dò trong bảng phân phối Student với bậc tự do là (n-k)

Để xác định khoảng tin cậy cho các hệ số hồi quy tổng thể trong mô hình có các biến Y, X2, X3 như trong ví dụ 4, ta cần thực hiện các bước phân tích thống kê phù hợp Quá trình này bao gồm ước lượng các hệ số hồi quy và tính toán khoảng tin cậy dựa trên phân phối xác suất của các ước lượng Việc xác định khoảng tin cậy giúp đưa ra các kết luận chính xác về mối quan hệ giữa biến phụ thuộc Y và các biến độc lập X2, X3 Chuẩn bị các số liệu và phương pháp tính đúng đắn là yếu tố then chốt để đảm bảo kết quả phân tích đáng tin cậy và phù hợp với nguyên tắc của quy tắc thống kê.

Từ cửa sổ Equation chọn View →Coefficient Diagnostics→confidence Intervals… Khi đó màn hình xuất hiện như sau:

Nhấp chuột, ta được kết quả sau

Hình 35 Bảng trên là kết quả ước lượng khoảng tin cậy của các hệ số hồi quy tổng thể ứng với độ tin cậy 90%, 95% và 99%.

Bài toán dự báo

Khoảng dự báo giá trị trung bình

Khoảng dự báo giá trị cá biệt

Y ∈Y −Cse Y −Y ; Y −Cse Y −Y  Đặt Y DB = Y ;Se1 0 = se Y ( 0 − Y ;Se2 0 ) = se Y ;C ( ) 0 = @ qtdist 1    − α 2 , n − k   

MH=Equation Xét ví dụ 4, để tìm khoảng dự báo giá trị trung bình và giá trị các biệt của Y khi

X , X , với độ tin cậy 95%, ta thực hiện như sau:

Bước 1 Nhập thêm dữ liệu vào bảng Group để dự báo

Từ bảng Workfile, chọn Proc →Structure/Resize Current Page…Màn hình sau

Nhấp chuột, màn hình sau xuất hiện Ở ô quan sát (Observations) ta điều chỉnh 12 thành 13) như sau:

Nhấp OK Từ bảng Group Ta chọn Edit+/- , sau đó nhập X 2 , X 3 vào hàng số 13 có chữ NA như sau:

Hình 38 Tắt cửa sổ Group

Bước 2 Tính giá trị Y 0 = Y ;se Y DB ( 0 − Y 0 ) = se1;se Y ( ) 0 = se2.

Từ bảng Equation Chọn forecast màn hình xuất hiện như sau

29 Ô Forecast name ta đổi Yf thành Y , ô S.E (optional) ta gõ Se1 Nhấn OK DB

Hình 40 Tắt đồ thị dự báo

Từ bảng Workfile Chọn Genr và gõ lệnh như sau rồi nhấn Ok

Bước 3 Tìm khoảng dự báo

- Dự báo giá trị trung bình

Từ bảng Workfile Chọn Genr và gõ lệnh như sau rồi nhấn Ok

Dự báo giá trị cá biệt

Từ bảng Workfile Chọn Genr và gõ lệnh như sau rồi nhấn Ok

31 Để mở các kết quả trên cùng một bảng ta thực hiện như sau:

Từ của số Workfile, nhấn phím Ctrl rồi chọn canduoicabiet, cantrencabiet, canduoitrungbinh, cantrentrungbinh sau đó nhấn Enter, ta được kết quả sau (lưu ý nhìn vào hàng thứ 13)

Hình 44 Vậy khoảng dự báo giá trị trung bình và giá trị cá biệt của Y là

Định mẫu

Trước hết ta xét ví dụ sau

Dưới đây là bảng số liệu thể hiện lượng hàng bán được theo tháng (Y tấn) và giá bán (X nghìn đồng/kg) tại 20 khu vực, được khảo sát tại cả thành phố và nông thôn Các số liệu này cung cấp cái nhìn tổng quan về xu hướng tiêu thụ và mức giá trung bình của hàng hóa trên thị trường địa phương Thông qua phân tích dữ liệu, chúng ta có thể nhận diện rõ hơn về sự chênh lệch giữa các vùng miền trong hoạt động bán hàng và định hướng kinh doanh phù hợp Việc nắm bắt số liệu này giúp các nhà quản lý, doanh nghiệp đưa ra quyết định chiến lược kinh doanh hiệu quả hơn, tối ưu hóa doanh thu và mở rộng thị phần.

Trong đó Z là biến giả:

Trong nhiều trường hợp, chúng ta không sử dụng hết tất cả các số liệu từ mẫu ban đầu hoặc chỉ cần khảo sát sự phụ thuộc của biến giả khi nó nhận một giá trị nhất định Để định lại mẫu phù hợp, bạn có thể sử dụng tính năng Sample trong cửa sổ Workfile, sau đó chọn lựa các mẫu mong muốn để tạo ra bộ dữ liệu mới phù hợp với mục đích phân tích của mình Việc này giúp tối ưu hóa quá trình phân tích và đảm bảo kết quả chính xác hơn trong nghiên cứu thống kê.

Hình 45 Chẳng hạn ta chỉ khảo sát 15 mẫu đầu tiên và ở khu vực Thành phố ứng với Z = 1

Ta khai báo vào ô Sample range pairs và IF condition nhưtrong hình sau

Nhấn OK, ta thấy có sự thay đổi trong cửa số Workfile như sau

Tính các giá trị thống kê

Để tính các giá trị thống kê như trung bình, trung vị, độ lệch chuẩn của các biến trong mô hình, chẳng hạn như với số liệu trong ví dụ 4, chúng ta thực hiện các bước phân tích dữ liệu một cách chính xác Việc tính toán các chỉ số thống kê này giúp hiểu rõ hơn về đặc điểm của dữ liệu, từ đó hỗ trợ quá trình đưa ra quyết định chính xác hơn trong phân tích mô hình Áp dụng các phương pháp thống kê phù hợp sẽ cung cấp các số liệu mô tả rõ ràng về trung bình, trung vị và độ lệch chuẩn của từng biến trong tập dữ liệu.

Từ cửa sổ EViews chọn Quick →Group Statistics →Descriptive statistics

→Common sample, như hình sau

Nhấp chuột và nhập tên các biến vào cửa sổ Series List như hình sau

Nhấp OK, ta được bảng các giá trị thống kê sau:

- Maximum : Giá trị lớn nhất

- Minimum : Giá trị nhỏ nhất

- Std Dev : Độ lệch chuẩn

- Skewness : Hệ số bất đối xứng

- Jarque – Bera : Kiểm định phân phối chuẩn

- Sum : Tổng các quan sát

- Sum sq Dev : Độ lệch chuẩn của tổng bình phương

- Observations : Số quan sát (cỡ mẫu)

Các bài toán kiểm định giả thiết mô hình

Kiểm định phương sai

Chẳng hạn như trong ví dụ 4

To perform White's test for heteroskedasticity using EViews, first estimate your regression model Then, navigate to the Equation window, select View → Residual Diagnostics → Heteroskedasticity Tests The screen will display the results necessary for evaluating heteroskedasticity, ensuring a thorough diagnostic of your model's variance consistency.

Nhấp chuột, màn hình như sau

Ta chọn White, rồi nhấn Ok Ta có kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Mô hình không xảy ra hiện tượng phương sai thay đổi; H : 1 Mô hình xảy ra hiện tượng phương sai thay đổi

Từ bảng kiểm định White ở trên, ta có P _ value=0.4215> α cho trước nên chấp nhận H Vậy mô hình không xảy ra hiện tượng phương sai thay đổi 0

Ta thực hiện các bước như trong kiểm định White nhưng ta chọn Glejser, rồi nhấn

Ok Ta có kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Mô hình không xảy ra hiện tượng phương sai thay đổi; H : 1 Mô hình xảy ra hiện tượng phương sai thay đổi

Từ bảng kiểm định Glejser ở trên, ta có P _ value=0.4680> α cho trước nên chấp nhận H Vậy mô hình không xảy ra hiện tượng phương sai thay đổi 0

13.1.3 Kiểm định Breusch-Pagan-Godfrey

Ta thực hiện các bước tương tự như kiểm định White nhưng ta chọn Breusch-Pagan-Godfrey, rồi nhấn Ok Ta có kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Mô hình không xảy ra hiện tượng phương sai thay đổi; H : 1 Mô hình xảy ra hiện tượng phương sai thay đổi

Từ bảng kiểm định Breusch – Pagan - Godfrey ở trên, ta có P _ value=0.4953> α cho trước nên chấp nhận H Vậy mô hình không xảy ra hiện tượng phương sai thay đổi 0

13.2 Kiểm định tự tương quan (Kiểm định BG)

Để kiểm định vấn đề tự tương quan trong mô hình hồi quy bằng Eview, người dùng cần ước lượng mô hình hồi quy mẫu, sau đó truy cập vào cửa sổ Equation và chọn View → Residual Diagnostics → Serial Correlation LM test Khi thực hiện, màn hình sẽ hiển thị kết quả kiểm định giúp xác định liệu residual có tự tương quan hay không, đảm bảo độ tin cậy của mô hình hồi quy Việc này giúp nâng cao độ chính xác trong phân tích và dự báo dữ liệu kinh tế, tài chính.

Hình 56 Nhấp chuột, cửa sổ sau xuất hiện như sau:

Hình 57 Ô Lags to indude ta gõ bậc tự tương quan vào (ví dụ như tự tương quan là bậc 2)

Nhấn Ok Ta có kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Mô hình không xảy ra hiện tượng tự tương quan bậc 2; H : 1 Mô hình xảy ra hiện tượng tự tương quan bậc 2

Từ bảng kiểm định BG ở trên, ta có P _ value=0.4842> α cho trước nên chấp nhận

H Vậy mô hình không xảy ra hiện tượng tự tương quan bậc 2 0

13.3 Kiểm định biến có cần thiết trong mô hình hay không (Kiểm định Wald)

Để thực hiện kiểm định Wald bằng Eview, sau khi ước lượng mô hình hồi quy mẫu, người dùng cần truy cập vào cửa sổ Equation và chọn View → Coefficient Diagnostics → Wald Test – Coefficient để kiểm tra độ tin cậy của các tham số mô hình.

Restrictions… Khi đó màn hình sẽ như sau:

Hình 59 Nhấp chuột ta có cửa sổ sau xuất hiện: Gõ c(2)=0 vào

Nhấp Ok Ta được kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Biến X2 không cần thiết trong mô hình; H : 1 Biến X2 cần thiết trong mô hình

Từ bảng kiểm định Wald ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ

H Vậy X2 cần thiết trong mô hình 0

Lưu ý rằng khi chỉ khảo sát X2, chúng ta có thể sử dụng giá trị xác suất của thống kê t hoặc thống kê F để phân tích, đảm bảo chính xác trong kiểm định giả thiết thống kê Tuy nhiên, khi nghiên cứu nhiều hơn hai biến, phương pháp phù hợp là sử dụng giá trị xác suất của thống kê F để đưa ra kết luận chính xác hơn Việc lựa chọn đúng loại thống kê và giá trị xác suất phù hợp giúp nâng cao độ tin cậy của kết quả phân tích dữ liệu, đảm bảo tuân thủ các chuẩn mực về phân tích thống kê trong nghiên cứu khoa học.

13.4 Kiểm định thừa biến trong mô hình (biến không cần thiết)

Giả sử xét ví dụ 4 bên trên, ta tiến hành như sau:

- Tìm hàm hồi quy của Y theo X2 và X3 Từ cửa số Equation, ta chọn

View→Coefficient Diagnostics → Redundant Variables Test – Likelihood ratio… Khi đó màn hình sẽ như sau:

Hình 62 Nhấp chuột ta có cửa sổ One or more test series to remove xuất hiện, rồi gõ biến X3 vào

Nhấp Ok, ta có kết quả sau:

Ta đặt bài toán kiểm định như sau: H : 0 β = 3 0 : Biến X3 không cần thiết trong mô hình; H : 1 β ≠ 3 0 : Biến X3 cần thiết trong mô hình

Từ bảng kiểm định ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ H 0 Vậy X3 cần thiết trong mô hình

13.5 Kiểm định biến bị bỏ sót trong mô hình

Giả sử xét ví dụ 4 bên trên, ta tiến hành như sau

- Tìm hàm hồi quy mẫu của Y theo X2 Từ cửa số Equation, ta chọn View→Coefficient Diagnostics → Omitted Variables Test – Likelihood ratio… Khi đó màn hình sẽ như sau:

Nhấp chuột ta có cửa sổ One or more test series to add xuất hiện Ta gõ biến X3 vào

Nhấp Ok, ta được kết quả sau:

Ta đặt bài toán kiểm định như sau: H : 0 β = 3 0 : Biến X3 ảnh hưởng tới Y (X3 không bị bỏ sót); H : 1 β ≠ 3 0 : Biến X3 bị bỉ sót trong mô hình

Từ bảng kiểm định ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ H 0 Vậy X3 bị bỏ sót trong mô hình

13.6 Kiểm định Chow trong mô hình hồi quy với biến giả

Ví dụ7 Giả sử số liệu về tiết kiệm và thu nhập cá nhân ở nước Anh từ năm 1946 đến 1963 (đơn vị pound) cho ở bảng sau:

Để kiểm định xem có sự thay đổi về tiết kiệm (Y) giữa hai thời kỳ dựa trên mức thu nhập (X), chúng ta thực hiện các bước kiểm định Chow nhằm xác định khả năng có sự khác biệt có ý nghĩa thống kê giữa các giai đoạn.

Hồi quy Y theo X, ta được kết quả

Từ cửa sổ Equation, chọn View →Stability Diagnostics → Chow Breakpoint Test…như hình sau:

Hình 69 Sau khi nhấp chuột, một cửa sổ xuất hiện như sau:

Kiểm định biến có cần thiết trong mô hình hay không (kiểm định Wald)

Để thực hiện kiểm định Wald bằng Eview, sau khi ước lượng mô hình hồi quy mẫu, bạn chỉ cần truy cập vào cửa sổ Equation và chọn View → Coefficient Diagnostics → Wald test – Coefficient Quá trình này giúp kiểm tra tác động của các biến độc lập trong mô hình Việc sử dụng kiểm định Wald là phương pháp phổ biến nhằm xác định xem các hệ số trong mô hình có ý nghĩa thống kê hay không Chính vì vậy, việc thực hiện kiểm định Wald qua Eview là bước quan trọng trong phân tích dữ liệu và đánh giá mô hình hồi quy.

Restrictions… Khi đó màn hình sẽ như sau:

Hình 59 Nhấp chuột ta có cửa sổ sau xuất hiện: Gõ c(2)=0 vào

Nhấp Ok Ta được kết quả như sau:

Ta đặt bài toán kiểm định như sau: H : 0 Biến X2 không cần thiết trong mô hình; H : 1 Biến X2 cần thiết trong mô hình

Từ bảng kiểm định Wald ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ

H Vậy X2 cần thiết trong mô hình 0

Trong trường hợp này, khi chỉ khảo sát X², chúng ta có thể sử dụng giá trị xác suất của thống kê t hoặc của thống kê F để phân tích dữ liệu Tuy nhiên, nếu nghiên cứu bao gồm nhiều hơn hai biến số, phương pháp phù hợp là sử dụng thống kê F để đảm bảo độ chính xác trong kiểm định Việc lựa chọn đúng loại thống kê và giá trị xác suất sẽ giúp nâng cao hiệu quả phân tích và kết quả nghiên cứu của bạn.

Kiểm định thừa biến trong mô hình

Giả sử xét ví dụ 4 bên trên, ta tiến hành như sau:

- Tìm hàm hồi quy của Y theo X2 và X3 Từ cửa số Equation, ta chọn

View→Coefficient Diagnostics → Redundant Variables Test – Likelihood ratio… Khi đó màn hình sẽ như sau:

Hình 62 Nhấp chuột ta có cửa sổ One or more test series to remove xuất hiện, rồi gõ biến X3 vào

Nhấp Ok, ta có kết quả sau:

Ta đặt bài toán kiểm định như sau: H : 0 β = 3 0 : Biến X3 không cần thiết trong mô hình; H : 1 β ≠ 3 0 : Biến X3 cần thiết trong mô hình

Từ bảng kiểm định ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ H 0 Vậy X3 cần thiết trong mô hình.

Kiểm định biến bị bỏ sót trong mô hình

Giả sử xét ví dụ 4 bên trên, ta tiến hành như sau

- Tìm hàm hồi quy mẫu của Y theo X2 Từ cửa số Equation, ta chọn View→Coefficient Diagnostics → Omitted Variables Test – Likelihood ratio… Khi đó màn hình sẽ như sau:

Nhấp chuột ta có cửa sổ One or more test series to add xuất hiện Ta gõ biến X3 vào

Nhấp Ok, ta được kết quả sau:

Ta đặt bài toán kiểm định như sau: H : 0 β = 3 0 : Biến X3 ảnh hưởng tới Y (X3 không bị bỏ sót); H : 1 β ≠ 3 0 : Biến X3 bị bỉ sót trong mô hình

Từ bảng kiểm định ở trên, ta có P _ value=0.0000< α cho trước nên bác bỏ H 0 Vậy X3 bị bỏ sót trong mô hình.

Kiểm định Chow trong mô hình hồi quy với biến giả

Ví dụ7 Giả sử số liệu về tiết kiệm và thu nhập cá nhân ở nước Anh từ năm 1946 đến 1963 (đơn vị pound) cho ở bảng sau:

Để kiểm định xem có sự thay đổi về tiết kiệm (Y) giữa hai thời kỳ hay không dựa trên thu nhập (X), chúng ta thực hiện các bước kiểm định Chow Phương pháp này giúp xác định xem mô hình kinh tế học phù hợp với dữ liệu trong từng giai đoạn hay có sự khác biệt đáng kể, từ đó đưa ra kết luận chính xác về mức độ ảnh hưởng của thu nhập đối với tiết kiệm qua các thời kỳ.

Hồi quy Y theo X, ta được kết quả

Từ cửa sổ Equation, chọn View →Stability Diagnostics → Chow Breakpoint Test…như hình sau:

Hình 69 Sau khi nhấp chuột, một cửa sổ xuất hiện như sau:

Ta gõ vào cửa sổ Chow Test giá trị Breakpoint là 1955 như hình trên, nhấp OK

Khi đó ta được kết quả sau:

Hình 71 và bảng kết quả cho thấy giá trị F = 5.037, cùng với xác suất là 0.022493, cho thấy có đủ căn cứ để chấp nhận giả thuyết rằng hai mô hình hồi quy khác nhau, chứng tỏ sự khác biệt có ý nghĩa thống kê giữa các mô hình.

Định dạng mô hình (Kiểm định Ramsey RESET)

H 0 : Mô hình gốc không thiếu biến, dạng hàm đúng

H1 : Mô hình gốc thiếu biến, dạng hàm sai

Giả sử xét ví dụ 3 bên trên, ta tiến hành như sau:

Tìm hàm hồi quy tuyến tính mẫu của Y theo X Từ của số Equation

Chọn View →Stability Diagnostics →Ramsey RESET Test…như hình sau:

Hình 72 Nhấp chuột ta có cửa sổ Number of fitted terms xuất hiện Ta gõ tham số m=1 vào

Nhấp Ok, ta được kết quả sau:

Ta đặt bài toán kiểm định như sau: H : 0 α = 1 0 : Mô hình trên không thiếu biến, dạng hàm đúng; H : 1 α ≠ 1 0 : Mô hình trên thiếu biến dạng hàm sai

Từ bảng kiểm định ở trên, ta có P _ value(F _ statistic)=0.2776> α cho trước nên chấp nhận H 0

Vậy mô hình trên không thiếu biến, dạng hàm đúng.

Lưu kết quả trong Eviews

Lưu file dữ liệu

Các thao tác được thực hiện như sau:

Sau khi làm xong các thao tác Từ cửa sổ Eviews chọn File →Save

Lưu ý: Khi đó trên cửa sổ Workfile thì không có đối tượng nào được chọn (Nếu không ta chỉ lưu được một file dạng rác)

Lưu các bảng kết quả

Trong các cửa sổ như Equation, Graph, Group, đều có thanh công cụ chứa hai nút chính là Name và Freeze, giúp lưu trữ các đối tượng hoặc kết quả trong quá trình thao tác Chức năng Name cho phép người dùng lưu trữ kết quả để sử dụng cho các thao tác tiếp theo, nâng cao hiệu quả làm việc Ngược lại, chức năng Freeze giúp lưu giữ các kết quả ở dạng bảng, "đóng băng" kết quả đó để tránh bị thay đổi trong quá trình chỉnh sửa.

Chẳng hạn với số liệu trong ví dụ 3 sau khi tìm được mô hình hồi quy xong và ta thực hiện lưu trữ như sau:

Từ cửa sổ Equation Nếu ta chọn chức năng Name như hình 63

Hình 76 Chọn OK ta được kết quả có biểu tượng là

Từ cửa sổ Equation Nếu ta chọn chức năng Freeze thì ta thấy một table mới xuất hiện như sau:

Hình 78 Chọn OK ta được kết quả có biểu tượng là