7 Tháng chín, 2026
Trong phân tích hồi quy, Heteroskedasticity (phương sai thay đổi) là hiện tượng thường gặp và có thể ảnh hưởng đến độ tin cậy của các ước lượng trong mô hình. Vậy phương sai thay đổi là gì, nguyên nhân nào dẫn đến phương sai thay đổi và làm thế nào để phát hiện, khắc phục hiện tượng này trong hồi quy? Bài viết dưới đây của VietGuru sẽ giúp bạn tìm hiểu nguyên nhân chi tiết và cách xử lý hiện tượng này một cách hiệu quả.
1. Nguyên nhân gây ra Heteroskedasticity
Hiện tượng phương sai thay đổi (Heteroskedasticity) xảy ra khi mức độ phân tán của phần dư không giống nhau giữa các quan sát trong mô hình hồi quy. Tình trạng này có thể xuất phát từ đặc điểm của dữ liệu, cách xây dựng mô hình hoặc những sai sót trong quá trình xử lý dữ liệu. Một số nguyên nhân phổ biến gây ra Heteroskedasticity hiện tượng gồm:
- Sự khác biệt về mức độ phân tán giữa các nhóm dữ liệu: Các nhóm quan sát có thể có mức độ biến động của biến phụ thuộc khác nhau. Chẳng hạn, dữ liệu thu nhập của nhóm thu nhập thấp thường ít phân tán hơn nhóm có thu nhập cao, khiến phương sai của phần dư thay đổi theo mức thu nhập.
- Xuất hiện các giá trị ngoại lệ (Outliers): Những quan sát có giá trị quá khác biệt so với phần lớn dữ liệu có thể làm tăng độ phân tán của phần dư và khiến phương sai không còn ổn định. Đây là một trong những nguyên nhân thường gặp khi phân tích dữ liệu thực tế.
- Bỏ sót biến quan trọng trong mô hình: Khi một hoặc một số biến có ảnh hưởng đáng kể đến biến phụ thuộc nhưng không được đưa vào mô hình, phần sai số có thể phải phản ánh ảnh hưởng của các yếu tố này. Điều đó làm mức độ biến động của sai số thay đổi giữa các quan sát.
- Sai dạng hàm của mô hình: Việc lựa chọn dạng hàm không phù hợp, chẳng hạn sử dụng quan hệ tuyến tính trong khi mối quan hệ thực tế là phi tuyến, có thể khiến phần dư phân tán không đồng đều và dẫn đến Heteroskedasticity.
- Sai sót trong quá trình đo lường hoặc biến đổi dữ liệu: Dữ liệu được thu thập không nhất quán, sử dụng các đơn vị đo khác nhau hoặc thực hiện sai các phép biến đổi có thể làm thay đổi độ lớn của các quan sát. Ví dụ, biến thu nhập được ghi nhận bằng triệu đồng ở một số quan sát nhưng lại bằng tỷ đồng ở những quan sát khác sẽ tạo ra sự chênh lệch bất thường trong dữ liệu.
- Đặc điểm tự nhiên của dữ liệu: Trong một số trường hợp, Heteroskedasticity vốn xuất phát từ bản chất của dữ liệu chứ không phải lỗi của mô hình. Khi quy mô của biến độc lập tăng, mức độ biến động của biến phụ thuộc cũng có thể tăng theo, khiến phần dư có xu hướng phân tán rộng hơn.
Nguyên nhân gây ra Heteroskedasticity
2. Hậu quả của Heteroskedasticity đối với mô hình hồi quy
Hiện tượng Heteroskedasticity là sự vi phạm giả định phương sai không đổi của mô hình hồi quy tuyến tính. Mặc dù hiện tượng này không làm cho ước lượng OLS bị chệch hoặc mất tính nhất quán nếu các giả định cần thiết khác vẫn được đáp ứng, nhưng nó có thể ảnh hưởng đáng kể đến hiệu quả ước lượng và độ tin cậy của các kiểm định thống kê. Một số hậu quả chính gồm:
- Ước lượng OLS không còn hiệu quả: Khi phương sai của sai số thay đổi giữa các quan sát, các ước lượng OLS vẫn có thể không chệch và nhất quán nhưng không còn là ước lượng tuyến tính không chệch tốt nhất (BLUE). Điều này khiến mô hình sử dụng thông tin từ dữ liệu kém hiệu quả hơn so với trường hợp phương sai không đổi.
- Sai số chuẩn của các hệ số hồi quy bị ước lượng sai: Heteroskedasticity có thể khiến standard error của các hệ số hồi quy bị đánh giá quá cao hoặc quá thấp. Đây là vấn đề quan trọng vì sai số chuẩn được sử dụng để xác định mức độ chính xác của các ước lượng.
- Kiểm định t và F có thể không còn đáng tin cậy: Khi sai số chuẩn bị sai lệch, kết quả của kiểm định t, kiểm định F và p-value cũng có thể bị ảnh hưởng. Khi đó, nhà nghiên cứu có nguy cơ kết luận một biến có ý nghĩa thống kê trong khi thực tế không có, hoặc ngược lại.
- Dễ dẫn đến kết luận sai về mối quan hệ giữa các biến: Nếu không phát hiện và xử lý phương sai thay đổi, nhà nghiên cứu có thể đánh giá sai mức độ ý nghĩa của các biến độc lập đối với biến phụ thuộc. Điều này đặc biệt đáng lưu ý trong các nghiên cứu sử dụng hồi quy để đưa ra kết luận hoặc quyết định thực tiễn.
- Làm giảm độ tin cậy của các dự báo và quyết định dựa trên mô hình: Khi các kiểm định và sai số chuẩn không đáng tin cậy, những kết luận được sử dụng để xây dựng chính sách, chiến lược kinh doanh hoặc quyết định đầu tư cũng có thể bị ảnh hưởng.
Hậu quả của Heteroskedasticity đối với mô hình hồi quy
3. Cách phát hiện Heteroskedasticity
Trước khi tiến hành khắc phục Heteroskedasticity, bạn cần xác định mô hình hồi quy có thực sự xuất hiện Heteroskedasticity hay không. Trong Stata, nhà nghiên cứu có thể kết hợp quan sát đồ thị phần dư với các kiểm định thống kê để đưa ra kết luận chính xác hơn.
3.1. Phương pháp đồ thị phần dư
Phương pháp đồ thị là cách trực quan để nhận biết phương sai của sai số có thay đổi hay không. Sau khi thực hiện hồi quy, nhà nghiên cứu có thể quan sát mối quan hệ giữa phần dư và giá trị dự đoán của mô hình.
- Nếu phần dư phân bố ngẫu nhiên quanh đường 0 và độ phân tán tương đối đồng đều trên toàn bộ phạm vi giá trị dự đoán, có thể xem đây là dấu hiệu cho thấy mô hình không có Heteroskedasticity.
- Nếu các điểm phần dư có xu hướng loe rộng hoặc thu hẹp dần, tạo thành hình phễu, hình quạt hoặc một dạng phân bố có quy luật, mô hình có khả năng xuất hiện phương sai thay đổi.
Tuy nhiên, phương pháp đồ thị phần dư chỉ mang tính trực quan, phụ thuộc vào khả năng quan sát và đánh giá của người phân tích. Vì vậy, để có cơ sở kết luận chắc chắn hơn, nên kết hợp với các kiểm định thống kê.
3.2. Các kiểm định White, Breusch-Pagan
Bên cạnh việc quan sát đồ thị, kiểm định White và Breusch-Pagan là hai phương pháp phổ biến được sử dụng để kiểm tra hiện tượng Heteroskedasticity trong mô hình hồi quy OLS trên Stata.
Kiểm định White
Kiểm định White được sử dụng để kiểm tra giả thuyết phương sai của sai số không đổi. Sau khi chạy mô hình hồi quy OLS, có thể thực hiện kiểm định trong Stata bằng lệnh:
estat imtest
Trong đó, giả thuyết:
- H0: Phương sai của sai số không đổi.
- H1: Phương sai của sai số thay đổi.
Dựa vào p-value của kiểm định để ta đưa ra kết luận:
- p-value < 0.05: Bác bỏ H0 → có đủ bằng chứng thống kê cho thấy mô hình có hiện tượng Heteroskedasticity.
- p-value ≥ 0.05: Chưa đủ cơ sở bác bỏ H0 → chưa phát hiện phương sai thay đổi.
Các kiểm định White, Breusch-Pagan
Kiểm định Breusch-Pagan
Breusch-Pagan cũng là một kiểm định phổ biến nhằm phát hiện hiện tượng phương sai thay đổi. Trong Stata, sau khi chạy hồi quy OLS, sử dụng lệnh:
estat hettest
Kiểm định đặt ra 2 giả thuyết:
- H0: Phương sai của sai số không đổi.
- H1: Phương sai của sai số thay đổi.
Cách đọc kết quả tương tự kiểm định White:
- p-value < 0.05: Bác bỏ H0 → mô hình có Heteroskedasticity.
- p-value ≥ 0.05: Chưa đủ cơ sở bác bỏ H0 → chưa có bằng chứng về phương sai thay đổi.
4. Cách khắc phục Heteroskedasticity
Khi mô hình xuất hiện Heteroskedasticity, chúng ta cần có biện pháp xử lý để nâng cao độ tin cậy của sai số chuẩn và kết quả kiểm định. Hai phương pháp phổ biến là Robust Standard Errors và Weighted Least Squares (WLS).
4.1. Sử dụng sai số chuẩn mạnh (Robust Standard Errors)
Robust Standard Errors (sai số chuẩn mạnh) là phương pháp đơn giản và thường được ưu tiên khi mô hình đã có Heteroskedasticity nhưng các hệ số hồi quy OLS vẫn được xem là phù hợp. Phương pháp này không thay đổi hệ số hồi quy OLS, mà điều chỉnh cách tính sai số chuẩn để kết quả kiểm định thống kê đáng tin cậy hơn khi phương sai của sai số không đồng nhất.
Trong Stata, có thể thực hiện hồi quy với sai số chuẩn mạnh bằng cách thêm tùy chọn robust vào cuối câu lệnh:
regress y x1 x2 x3, robust
Khi đó, Stata vẫn sử dụng phương pháp OLS để ước lượng các hệ số, nhưng tính lại standard error, t-statistic và p-value theo hướng phù hợp hơn với trường hợp phương sai thay đổi. Nhờ vậy, nhà nghiên cứu có thể đánh giá ý nghĩa thống kê của các biến độc lập một cách đáng tin cậy hơn.
Ưu điểm lớn của phương pháp này là dễ thực hiện, không cần xác định chính xác dạng Heteroskedasticity và thường không cần thay đổi cấu trúc mô hình. Vì vậy, đây thường là lựa chọn thực tế khi mục tiêu chính là có được suy luận thống kê đáng tin cậy thay vì thay đổi bản thân mô hình hồi quy.
4.2. Phương pháp bình phương bé nhất có trọng số (WLS)
Weighted Least Squares (WLS – bình phương bé nhất có trọng số) là phương pháp xử lý Heteroskedasticity bằng cách gán trọng số khác nhau cho các quan sát dựa trên mức độ phương sai của sai số. Ý tưởng chính là những quan sát có phương sai lớn sẽ được giảm mức độ ảnh hưởng, trong khi các quan sát có phương sai nhỏ được xem xét với trọng số cao hơn.
Khác với Robust Standard Errors chỉ điều chỉnh sai số chuẩn, WLS tác động trực tiếp đến quá trình ước lượng mô hình. Do đó, hệ số hồi quy sau khi áp dụng WLS có thể khác với kết quả OLS ban đầu.
Phương pháp bình phương bé nhất có trọng số (WLS)
Về nguyên tắc, nếu xác định được cấu trúc của phương sai, trọng số thường được lựa chọn theo hướng tỷ lệ nghịch với phương sai của sai số. Khi đó, mô hình sẽ giảm ảnh hưởng của những quan sát có mức độ biến động lớn và giúp các ước lượng trở nên hiệu quả hơn.
Ưu điểm của WLS là có thể cải thiện đáng kể hiệu quả ước lượng nếu cấu trúc phương sai được xác định đúng. Tuy nhiên, đây cũng là điểm cần thận trọng: nếu lựa chọn trọng số không phù hợp với dữ liệu, kết quả ước lượng có thể không cải thiện, thậm chí dẫn đến kết quả kém tin cậy.
5. Lời kết
Nếu bạn đang gặp khó khăn trong quá trình xử lý dữ liệu, kiểm định mô hình hoặc trình bày kết quả nghiên cứu, VietGuru cung cấp dịch vụ viết thuê nghiên cứu khoa học và hỗ trợ xử lý số liệu. Giúp bạn hoàn thiện bài nghiên cứu đúng hướng và tiết kiệm thời gian hơn.
Hy vọng bài viết trên đã giúp bạn hiểu rõ Heteroskedasticity là gì, nguyên nhân, hậu quả cũng như cách phát hiện và khắc phục hiện tượng phương sai thay đổi trong hồi quy. Việc kiểm tra và xử lý phương sai thay đổi đúng cách sẽ giúp bạn nâng cao độ tin cậy của kết quả phân tích và đưa ra những kết luận nghiên cứu chính xác hơn.
