Trong phân tích dữ liệu, đặc biệt là hồi quy tuyến tính, một lỗi rất hay gặp nhưng nhiều người mới thường bỏ qua là phương sai của sai số không đồng đều giữa các quan sát. Đây chính là lý do nhiều người tìm kiếm heteroskedasticity là gì trước khi bắt đầu học kinh tế lượng hoặc xử lý số liệu thực tế. Nếu không nhận diện đúng vấn đề này, kết quả mô hình có thể nhìn qua thì ổn nhưng kết luận thống kê lại sai.

Nói ngắn gọn, heteroskedasticity là gì? Đó là hiện tượng mà độ phân tán của phần dư hoặc sai số thay đổi theo mức độ của biến độc lập hay giá trị dự báo. Trong một mô hình hồi quy tốt, phương sai sai số nên ổn định giữa các quan sát. Khi điều này không còn đúng, ta gọi đó là hiện tượng phương sai thay đổi.

Heteroskedasticity trong mô hình hồi quy là gì?

Về bản chất, heteroskedasticity là gì trong hồi quy tuyến tính? Đây là tình huống mà phương sai của sai số không giữ nguyên ở mọi mức của biến giải thích. Hiểu đơn giản, có nhóm quan sát sai số rất nhỏ, nhưng cũng có nhóm quan sát sai số lại rất lớn. Sai số không “trải đều” mà nở rộng hoặc co hẹp theo một quy luật nào đó.

Khi học hồi quy, bạn thường gặp giả định rằng phần dư có phương sai không đổi. Nếu giả định này bị vi phạm, mô hình xuất hiện phương sai thay đổi trong mô hình hồi quy. Đây cũng chính là lỗi heteroskedasticity trong hồi quy mà người làm phân tích dữ liệu cần kiểm tra sớm, nhất là với dữ liệu chéo, dữ liệu tài chính, dữ liệu doanh nghiệp hoặc khảo sát xã hội học.

Nói theo cách dễ hình dung hơn, nếu bạn vẽ biểu đồ phần dư và thấy điểm dữ liệu loe ra như hình cái quạt khi giá trị dự báo tăng dần, đó là dấu hiệu rất điển hình. Vì vậy, khi hỏi heteroskedasticity là gì, đừng chỉ nhớ định nghĩa lý thuyết; hãy nghĩ ngay đến hiện tượng phần dư không đều và mức sai số thay đổi theo từng nhóm quan sát.

Nguyên nhân gây heteroskedasticity là gì?

Muốn hiểu sâu hơn heteroskedasticity là gì, cần nhìn vào nguyên nhân. Trong thực tế, hiện tượng này không xuất hiện ngẫu nhiên mà thường đến từ cấu trúc dữ liệu hoặc cách xây dựng mô hình. Dưới đây là các nguyên nhân phổ biến nhất.

• Dữ liệu có quy mô quá khác nhau giữa các quan sát. Ví dụ: thu nhập của hộ gia đình nghèo và hộ gia đình giàu thường có mức dao động rất khác.
• Mô hình bị bỏ sót biến quan trọng. Khi một biến ảnh hưởng mạnh không được đưa vào, phần sai số có thể phình to ở một số nhóm dữ liệu.
• Dữ liệu có ngoại lệ hoặc các điểm cực trị, làm cho phương sai sai số thay đổi mạnh ở một vùng nhất định.
• Sai dạng hàm. Chẳng hạn mối quan hệ thực tế là phi tuyến nhưng lại bị ép vào hồi quy tuyến tính đơn giản.
• Dữ liệu chéo trong kinh tế, tài chính, marketing hoặc giáo dục thường rất dễ có hiện tượng phương sai thay đổi vì mỗi đơn vị quan sát có đặc điểm rất khác nhau.

Nhiều người chỉ học công thức rồi dừng lại, nhưng để trả lời đúng heteroskedasticity là gì, bạn nên nhớ rằng đây là lỗi gắn với sự không đồng nhất của dữ liệu thực tế. Dữ liệu càng đa dạng, rủi ro gặp phương sai sai số thay đổi càng cao.

Dấu hiệu nhận biết heteroskedasticity là gì?

Cách nhận biết ban đầu thường rất trực quan. Khi vẽ đồ thị phần dư so với giá trị dự báo hoặc so với biến độc lập, nếu độ rộng của phần dư thay đổi rõ rệt thì khả năng cao mô hình đang có phương sai thay đổi. Đây là lý do người học thường bắt đầu bằng biểu đồ trước khi đi vào kiểm định heteroskedasticity.

Một số dấu hiệu dễ gặp gồm: phần dư loe rộng dần, phần dư thu hẹp dần, phần dư chia thành từng cụm có độ phân tán khác nhau, hoặc sai số lớn tập trung ở nhóm quan sát có giá trị cao. Khi thấy những tín hiệu này, bạn nên đặt ngay câu hỏi heteroskedasticity là gì và liệu mô hình hiện tại có đang vi phạm giả định phương sai không đổi hay không.

Hậu quả khi bỏ qua heteroskedasticity là gì?

Điểm quan trọng nhất là hiện tượng này không nhất thiết làm hệ số hồi quy bị chệch trong mọi trường hợp, nhưng nó làm sai lệch sai số chuẩn. Mà khi sai số chuẩn sai, các kiểm định t, kiểm định F và khoảng tin cậy đều có thể không còn đáng tin. Đây là lý do heteroskedasticity là gì không chỉ là câu hỏi lý thuyết mà là vấn đề thực hành rất quan trọng.

Cụ thể, hậu quả thường gặp gồm:

• Ước lượng hệ số vẫn có thể còn nhất quán nhưng kém hiệu quả.
• Kiểm định ý nghĩa thống kê dễ cho kết luận sai.
• Khoảng tin cậy quá hẹp hoặc quá rộng so với thực tế.
• Nhà nghiên cứu có thể tưởng một biến có ý nghĩa, trong khi thật ra không có.
• Các quyết định dựa trên mô hình, như dự báo, chính sách hay đầu tư, có thể bị lệch hướng.

Đó cũng là lý do nhiều tài liệu khi giải thích heteroskedasticity là gì luôn nhấn mạnh: nguy hiểm nhất không nằm ở hệ số, mà nằm ở chỗ bạn dễ đưa ra kết luận sai về ý nghĩa của mô hình.

Trong nghiên cứu tài chính, vấn đề này từng được bàn đến khi đánh giá CAPM. Nếu phương sai thay đổi xuất hiện trong phần dư mà nhà nghiên cứu không xử lý đúng, các kiểm định về lợi nhuận điều chỉnh rủi ro có thể bị méo. Khi đó, kết luận về sự khác biệt giữa nhóm cổ phiếu vốn hóa nhỏ và lớn sẽ thiếu tin cậy.

Kiểm định heteroskedasticity là gì? Cách kiểm tra trong thực tế

Khi đã nghi ngờ mô hình có vấn đề, bước tiếp theo là dùng kiểm định heteroskedasticity. Chỉ hiểu heteroskedasticity là gì thôi chưa đủ; bạn còn phải biết cách phát hiện nó bằng công cụ cụ thể.

Hai phương pháp được dùng nhiều nhất là kiểm định White và kiểm định Breusch Pagan. Ngoài ra, người làm dữ liệu còn kết hợp quan sát biểu đồ phần dư để có cái nhìn trực quan trước khi kết luận.

1. Kiểm định White

Kiểm định White phù hợp khi bạn muốn kiểm tra tổng quát hiện tượng phương sai thay đổi mà không cần giả định quá chặt về dạng biến thiên của sai số. Ưu điểm của phương pháp này là linh hoạt, dùng tốt khi bạn chưa chắc phần sai số thay đổi theo quy luật nào. Trong nhiều phần mềm như SPSS, Stata, R hay EViews, kiểm định White là lựa chọn quen thuộc.

2. Kiểm định Breusch Pagan

Kiểm định Breusch Pagan, hay còn gọi là kiểm định Breusch-Pagan, thường được dùng khi bạn muốn xem phương sai sai số thay đổi có liên hệ với các biến độc lập hay không. Đây là cách khá phổ biến trong kinh tế lượng vì dễ thực hiện và dễ diễn giải.

Nếu giá trị p-value nhỏ hơn mức ý nghĩa đã chọn, bạn bác bỏ giả thuyết phương sai không đổi và kết luận mô hình có hiện tượng phương sai thay đổi. Đó là cách kiểm định heteroskedasticity được áp dụng trong thực tế.

Cách khắc phục heteroskedasticity là gì?

Sau khi phát hiện lỗi, câu hỏi tiếp theo luôn là cách khắc phục heteroskedasticity. Không có một cách xử lý duy nhất cho mọi trường hợp, nhưng có một số hướng rất hiệu quả và được dùng thường xuyên.

• Biến đổi dữ liệu, đặc biệt là lấy log. Với dữ liệu doanh thu, thu nhập, chi phí hoặc giá trị tài sản, logarit thường giúp ổn định phương sai tốt hơn.
• Bổ sung biến còn thiếu vào mô hình nếu bạn nghi ngờ mô hình đang bị bỏ sót nhân tố quan trọng.
• Sửa lại dạng hàm của mô hình, ví dụ thêm biến bình phương hoặc dùng mô hình phi tuyến nếu quan hệ thực tế không tuyến tính.
• Dùng sai số chuẩn hiệu chỉnh robust standard errors. Đây là cách rất phổ biến khi bạn muốn giữ nguyên mô hình nhưng điều chỉnh sai số chuẩn để kiểm định đáng tin hơn.
• Sử dụng bình phương tối thiểu có trọng số (WLS) nếu bạn xác định được cấu trúc của phương sai thay đổi.

Nói cách khác, nếu ai đó hỏi cách khắc phục heteroskedasticity là gì, câu trả lời không chỉ là “chạy thêm một kiểm định”, mà là phải xử lý tận gốc nguyên nhân hoặc dùng kỹ thuật ước lượng phù hợp hơn.

Ví dụ dễ hiểu để hình dung heteroskedasticity

Giả sử bạn hồi quy chi tiêu tiêu dùng theo thu nhập của các hộ gia đình. Với nhóm thu nhập thấp, mức chi tiêu dao động không quá lớn. Nhưng với nhóm thu nhập cao, có hộ chi rất mạnh, có hộ lại tiết kiệm nhiều, làm độ phân tán tăng lên rõ rệt. Khi đó, phần dư của mô hình ở nhóm thu nhập cao sẽ rộng hơn nhiều so với nhóm thu nhập thấp. Đây là ví dụ rất điển hình để hình dung heteroskedasticity là gì trong dữ liệu đời sống.

Một ví dụ khác là hồi quy lợi nhuận cổ phiếu theo lợi nhuận thị trường. Trong giai đoạn thị trường ổn định, sai số có thể nhỏ. Nhưng ở giai đoạn biến động mạnh, sai số thường lớn hơn hẳn. Nếu không kiểm tra kỹ, mô hình tài chính dễ gặp lỗi heteroskedasticity trong hồi quy.

Một số lưu ý khi xử lý phương sai thay đổi trong mô hình hồi quy

• Đừng chỉ nhìn R bình phương cao rồi kết luận mô hình tốt.
• Luôn xem biểu đồ phần dư trước và sau khi hiệu chỉnh.
• Khi dữ liệu có độ lệch lớn, hãy cân nhắc biến đổi log ngay từ đầu.
• Nếu mục tiêu là suy luận thống kê, robust standard errors gần như là bước nên cân nhắc.
• Nếu mục tiêu là dự báo, hãy kiểm tra lại độ ổn định của sai số trên từng nhóm dữ liệu.

Câu hỏi thường gặp về heteroskedasticity

Heteroskedasticity là gì và có phải lỗi nghiêm trọng không?

Có. Mức độ nghiêm trọng phụ thuộc vào mục tiêu nghiên cứu. Nếu bạn cần kiểm định ý nghĩa thống kê, đây là lỗi rất đáng lo vì nó làm sai sai số chuẩn.

Trong thực hành, heteroskedasticity là gì nếu nhìn từ biểu đồ phần dư?

Đó thường là hình quạt, hình nón hoặc các cụm điểm có độ rộng khác nhau rõ rệt theo giá trị dự báo hoặc biến độc lập.

Chỉ dùng kiểm định White hoặc kiểm định Breusch Pagan là đủ chưa?

Chưa hẳn. Bạn nên kết hợp kiểm định White, kiểm định Breusch Pagan và quan sát đồ thị phần dư để kết luận chắc hơn.

Kết luận

Tóm lại, heteroskedasticity là gì? Đó là hiện tượng phương sai của sai số không cố định trong mô hình hồi quy. Vấn đề này không phải lúc nào cũng làm hệ số bị sai nặng, nhưng nó có thể khiến toàn bộ kiểm định thống kê trở nên thiếu tin cậy. Vì vậy, khi làm phân tích dữ liệu, bạn nên kiểm tra sớm, dùng đúng kiểm định heteroskedasticity và chọn cách khắc phục heteroskedasticity phù hợp với từng bộ dữ liệu.

Nếu bạn đang học kinh tế lượng, làm luận văn, chạy SPSS, Stata, R hoặc cần xử lý lỗi phương sai thay đổi trong mô hình hồi quy, hãy ưu tiên hiểu đúng bản chất trước khi chạy lệnh. Khi nắm rõ heteroskedasticity là gì, bạn sẽ đọc kết quả hồi quy chắc hơn, tránh kết luận sai và xây dựng mô hình đáng tin hơn.

Xử lý số liệu hỗ trợ tư vấn phân tích dữ liệu, kiểm định mô hình và diễn giải kết quả tại xulysolieu.info. Liên hệ: 0878968468.