Phương sai sai số thay đổi là gì?
Phương sai sai số thay đổi (Heteroskedasticity) là hiện tượng trong mô hình hồi quy khi phương sai của các sai số (residuals) không còn là hằng số mà thay đổi theo giá trị của các biến giải thích hoặc theo từng quan sát khác nhau. Trong mô hình hồi quy tuyến tính cổ điển Y = βX + ε, giả định cơ bản là Var(ε) = σ² là hằng số cho tất cả các quan sát. Tuy nhiên, khi phương sai sai số thay đổi, giả sử Var(εi) = σ²i phụ thuộc vào i, thì ma trận hiệp phương sai của sai số không còn là σ²I mà trở thành ma trận có các phần tử trên đường chéo chính khác nhau.
Đây là một trong những vi phạm phổ biến nhất đối với các giả thiết cổ điển của phương pháp bình phương tối thiểu thông thường (OLS). Khi hiện tượng này xảy ra, các ước lượng OLS vẫn không chệch và nhất quán, nhưng không còn hiệu quả (inefficient), đồng thời các kiểm định thống kê t, F trở nên không đáng tin cậy.
Tại sao Phương sai sai số thay đổi quan trọng trong ngân hàng?
-
Ảnh hưởng đến độ chính xác của mô hình xếp hạng tín dụng: Khi xây dựng mô hình chấm điểm tín dụng nội bộ theo Thông tư 11/2021/TT-NHNN, hiện tượng phương sai sai số thay đổi khiến ước lượng xác suất vỡ nợ trở nên thiên lệch, ảnh hưởng trực tiếp đến quyết định cấp tín dụng và mức trích lập dự phòng rủi ro.
-
Làm sai lệch kiểm định thống kê: Các kiểm định t và F trở nên không đáng tin cậy, dẫn đến ngân hàng có thể đưa ra kết luận sai về ý nghĩa thống kê của các biến trong mô hình dự báo rủi ro.
-
Yêu cầu tuân thủ Basel II/III: Các quy chuẩn về mô hình rủi ro thị trường theo Basel II/III nhấn mạnh tầm quan trọng của việc kiểm định và khắc phục các vi phạm giả thiết thống kê, bao gồm cả phương sai sai số thay đổi.
-
Xuất hiện phổ biến trong dữ liệu tài chính: Hiện tượng này thường xuyên xuất hiện khi nghiên cứu về lợi suất chứng khoán, rủi ro tín dụng, hoặc các mô hình dự báo rủi ro do đặc thù dữ liệu tài chính có xu hướng biến động mạnh theo chu kỳ kinh tế.
Cách hoạt động / Cách tính
Cơ chế toán học
Trong mô hình hồi quy tuyến tính cổ điển:
Y = β₀ + β₁X + ε
Với giả thiết cổ điển: Var(ε) = σ² (phương sai đồng nhất - Homoskedasticity)
Khi có phương sai sai số thay đổi: Var(εi) = σ²i ≠ σ²j với i ≠ j
Điều này có nghĩa là mức độ phân tán của sai số không giống nhau ở các mức giá trị khác nhau của biến giải thích.
Hệ quả
- Ước lượng OLS vẫn không chệch: E(β̂) = β
- Ước lượng OLS không còn hiệu quả: Phương sai của β̂ không đạt mức tối thiểu
- Sai số chuẩn ước lượng được tính theo công thức OLS thông thường sẽ không chính xác
Các phương pháp phát hiện
| Phương pháp | Mô tả |
|---|---|
| Đồ thị phần dư | Vẽ đồ thị phần dư theo giá trị dự báo hoặc biến giải thích; nếu phương sai thay đổi sẽ thấy hình dạng phễu hoặc hình quạt |
| Kiểm định Breusch-Pagan | Kiểm định χ² để phát hiện mối quan hệ giữa bình phương phần dư và biến giải thích |
| Kiểm định White | Phiên bản tổng quát hơn của Breusch-Pagan, không cần giả định dạng cụ thể của phương sai |
| Kiểm định Goldfeld-Quandt | So sánh phương sai của hai nhóm quan sát được chia theo biến giải thích |
Các phương pháp khắc phục
| Phương pháp | Mô tả | Ứng dụng |
|---|---|---|
| WLS (Weighted Least Squares) | Gán trọng số khác nhau cho các quan sát: w_i = 1/σ²i | Khi biết trước cấu trúc phương sai |
| Sai số chuẩn Robust (White) | Điều chỉnh lại sai số chuẩn mà không cần biết cấu trúc phương sai | Phương pháp phổ biến nhất trong thực tiễn |
| Biến đổi dữ liệu | Lấy logarit, căn bậc hai để ổn định phương sai | Dữ liệu có xu hướng tăng theo cấp số nhân |
Ví dụ thực tế
Ví dụ 1: Mô hình chi tiêu theo thu nhập của khách hàng cá nhân
Ngân hàng A nghiên cứu mối quan hệ giữa thu nhập (triệu đồng/tháng) và chi tiêu của 500 khách hàng cá nhân. Kết quả cho thấy:
- Nhóm thu nhập dưới 10 triệu đồng: phương sai chi tiêu = 2.5 (triệu đồng)²
- Nhóm thu nhập từ 10-30 triệu đồng: phương sai chi tiêu = 8.3 (triệu đồng)²
- Nhóm thu nhập trên 30 triệu đồng: phương sai chi tiêu = 25.7 (triệu đồng)²
Phương sai tăng gấp 10 lần khi thu nhập tăng, cho thấy rõ hiện tượng phương sai sai số thay đổi. Nguyên nhân là người có thu nhập cao có nhiều lựa chọn chi tiêu đa dạng hơn, dẫn đến độ biến động lớn hơn.
Ví dụ 2: Mô hình dự báo nợ xấu theo vùng kinh tế
Ngân hàng B xây dựng mô hình dự báo tỷ lệ nợ xấu (%) tại 20 chi nhánh trên toàn quốc theo các yếu tố vĩ mô. Dữ liệu giai đoạn 2018-2023 cho thấy:
- Các tỉnh/thành phố loại 1 (Hà Nội, TP.HCM): phương sai nợ xấu = 0.8%²
- Các tỉnh/thành phố loại 2: phương sai nợ xấu = 1.5%²
- Các tỉnh nông thôn: phương sai nợ xấu = 3.2%²
Sự khác biệt đáng kể về phương sai giữa các vùng kinh tế đòi hỏi phải sử dụng sai số chuẩn robust khi ước lượng mô hình, nếu không các kiểm định về ý nghĩa của các biến vĩ mô sẽ bị sai lệch nghiêm trọng.
Phân biệt với thuật ngữ liên quan
| Thuật ngữ | Định nghĩa | Điểm giống | Điểm khác |
|---|---|---|---|
| Phương sai sai số thay đổi (Heteroskedasticity) | Phương sai của sai số thay đổi theo giá trị biến giải thích hoặc quan sát | Đều là vi phạm giả thiết cổ điển OLS | Phương sai không đồng nhất, ảnh hưởng đến sai số chuẩn |
| Phương sai sai số đồng nhất (Homoskedasticity) | Phương sai của sai số là hằng số σ² cho tất cả quan sát | - | Điều kiện lý tưởng, giả thiết cổ điển của OLS |
| Tự tương quan (Autocorrelation) | Sai số ở quan sát này có tương quan với sai số ở quan sát trước đó | Đều vi phạm giả thiết OLS, đều cần xử lý | Liên quan đến tương quan giữa các quan sát theo thời gian, ảnh hưởng đến cả ước lượng và kiểm định |
| Đa cộng tuyến (Multicollinearity) | Các biến giải thích có tương quan cao với nhau | Đều gây khó khăn trong ước lượng OLS | Không ảnh hưởng đến tính không chệch, chỉ làm tăng phương sai ước lượng |
Câu hỏi thường gặp trong đề thi
-
Khi xảy ra hiện tượng phương sai sai số thay đổi trong mô hình OLS, ước lượng hệ số hồi quy sẽ:
A. Vẫn không chệch và hiệu quả
B. Không chệch nhưng không hiệu quả
C. Vừa chệch vừa không hiệu quả
D. Bị chệch và không nhất quán
-
Phương pháp nào sau đây được sử dụng để khắc phục phương sai sai số thay đổi mà không cần biết trước cấu trúc cụ thể của phương sai?
A. Phương pháp bình phương tối thiểu thông thường (OLS)
B. Phương pháp bình phương tối thiểu có trọng số (WLS)
C. Sai số chuẩn robust của White
D. Biến đổi loga dữ liệu
-
Kiểm định nào được sử dụng để phát hiện hiện tượng phương sai sai số thay đổi trong mô hình hồi quy?
B. Kiểm định White và kiểm định Breusch-Pagan
C. Kiểm định ADF (Augmented Dickey-Fuller)
D. Kiểm định F và kiểm định t
Tổng kết
Phương sai sai số thay đổi (Heteroskedasticity) là một trong những vi phạm giả thiết phổ biến nhất trong phương pháp OLS, đặc biệt hay gặp trong lĩnh vực tài chính ngân hàng khi dữ liệu có tính biến động cao và khác biệt theo từng nhóm đối tượng. Điểm mấu chốt cần nhớ là hiện tượng này không làm mất tính không chệch của ước lượng OLS, nhưng ảnh hưởng nghiêm trọng đến tính hiệu quả và độ chính xác của các kiểm định thống kê. Việc phát hiện bằng kiểm định White hoặc Breusch-Pagan và khắc phục bằng sai số chuẩn robust là kỹ năng không thể thiếu đối với người làm việc với mô hình tài chính. Khi luyện thi vào hệ thống ngân hàng, hãy đặc biệt chú ý phân biệt rõ hệ quả của phương sai sai số thay đổi với các dạng vi phạm giả thiết khác như tự tương quan hay đa cộng tuyến để trả lời chính xác các câu hỏi trắc nghiệm.