Phương sai sai số thay đổi là gì?

Phương sai sai số thay đổi

Phương sai sai số thay đổi (tiếng Anh: Heteroscedasticity, hay Heteroskedasticity) là hiện tượng phương sai của phần dư (sai số ngẫu nhiên) trong mô hình hồi quy không đồng nhất giữa các quan sát. Nói cách khác, độ biến động của sai số mô hình thay đổi có hệ thống theo giá trị của biến độc lập hoặc theo thời gian, thay vì giữ ở mức ổn định như giả thiết cổ điển. Trong tiếng Việt, thuật ngữ này cũng được gọi là phương sai không đồng nhất, phương sai sai số không đồng đều, hoặc phương sai có điều kiện không thuần nhất. Hiện tượng này vi phạm một trong các giả thiết quan trọng của phương pháp ước lượng bình phương nhỏ nhất thông thường (OLS — Ordinary Least Squares) trong mô hình hồi quy tuyến tính cổ điển (CLRM).

Bản chất và cơ chế hình thành

Trong mô hình hồi quy tổng quát dạng Y = β₀ + β₁X + ε, giả thiết OLS cổ điển yêu cầu phương sai của sai số ngẫu nhiên ε phải không đổi giữa mọi quan sát, tức là Var(εᵢ | Xᵢ) = σ² (hằng số). Khi giả thiết này bị vi phạm, phương sai của ε phụ thuộc vào X hoặc vào chỗIndex quan sát i, ký hiệu Var(εᵢ | Xᵢ) = σᵢ² với σᵢ² ≠ σⱼ².

Các dạng phương sai sai số thay đổi phổ biến gồm:

• Dạng tuyến tính: Var(εᵢ) = σ² · Xᵢ — phương sai tăng/giảm tuyến tính theo giá trị biến độc lập.
• Dạng nhân: Var(εᵢ) = σ² · Xᵢ² — phương sai tỷ lệ thuận với bình phương biến độc lập, thường gặp trong dữ liệu chéo về quy mô doanh nghiệp.
• Dạng cấu trúc nhóm (group-wise): Phương sai khác nhau giữa các nhóm quan sát, ví dụ nhóm ngân hàng thương mại nhà nước so với nhóm ngân hàng cổ phần, hoặc nhóm doanh nghiệp lớn so với doanh nghiệp nhỏ.
• Dạng ARCH/GARCH: Phương sai sai số phụ thuộc vào bình phương sai số của các giai đoạn trước, đặc trưng cho dữ liệu chuỗi thời gian tài chính.

Nguyên nhân phổ biến bao gồm: dữ liệu bị bỏ sót không ngẫu nhiên, sai dạng hàm (omitted variable hoặc functional form sai), hiện tượng outliers, sự khác biệt về quy mô giữa các đơn vị quan sát, và đặc biệt là bản chất dữ liệu tài chính nơi biến động thường tăng theo giá trị tài sản hoặc theo quy mô giao dịch.

Hậu quả đối với mô hình hồi quy

Phương sai sai số thay đổi không làm mất tính chất không chệch và tính nhất quán của ước lượng OLS, nhưng gây ra nhiều vấn đề nghiêm quan trọng:

• Ước lượng OLS không còn hiệu quả (không có phương sai nhỏ nhất): Khi phương sai không đồng nhất, không thể áp dụng định lý Gauss-Markov để khẳng định OLS là ước lượng tuyến tính không chệch tốt nhất (BLUE). Các ước lượng thay thế như GLS (Generalized Least Squares) hoặc WLS (Weighted Least Squares) sẽ hiệu quả hơn.
• Sai lệch sai số chuẩn: Sai số chuẩn của các hệ số ước lượng bị chệch, dẫn đến kiểm định t, kiểm định F và khoảng tin cậy trở nên không đáng tin cậy. Hệ quả là có thể bác bỏ sai một biến có ý nghĩa thống kê (sai lầm loại I) hoặc chấp nhận sai một biến không có ý nghĩa (sai lầm loại II).
• R² có thể bị thổi phồng: Hệ số R² có xu hướng bị ước lượng quá cao trong một số trường hợp, làm sai lệch đánh giá sức mạnh giải thích của mô hình.

Phát hiện phương sai sai số thay đổi

Nhóm phương pháp phát hiện gồm:

• Kiểm định Breusch-Pagan (1979): Dựa trên ý tưởng hồi quy bình phương phần dư theo các biến độc lập; nếu hệ số hồi quy có ý nghĩa thống kê thì bác bỏ giả thiết phương sai đồng nhất.
• Kiểm định White (1980): Tổng quát hơn, cho phép phát hiện cả dạng tuyến tính lẫn dạng phi tuyến của phương sai sai số thay đổi bằng cách hồi quy bình phương phần dư theo biến độc lập, bình phương biến và tích chéo của chúng.
• Kiểm định Goldfeld-Quandt: So sánh phương sai phần dư giữa hai nhóm quan sát được sắp xếp theo biến nghi ngờ gây ra hiện tượng.
• Kiểm định Park, Glejser: Các phương pháp đơn giản hơn, hồi quy giá trị tuyệt đối phần dư theo biến độc lập.
• Kiểm định ARCH-LM: Đặc thù cho dữ liệu chuỗi thời gian, phát hiện hiệu ứng ARCH trong phần dư.

Trong thực hành EViews, Stata, R hay Python (statsmodels), các kiểm định này được tích hợp sẵn và cho kết quả nhanh. Khi giá trị p-value < 0.05, bác bỏ giả thiết H₀ (phương sai đồng nhất) và kết luận tồn tại phương sai sai số thay đổi.

Cách khắc phục

Các biện pháp hiệu chỉnh phổ biến trong phân tích dữ liệu tài chính – ngân hàng:

• Bình phương nhỏ nhất có trọng số (WLS): Gán trọng số cho mỗi quan sát tỷ lệ nghịch với phương sai của nó, ví dụ chia biến phụ thuộc cho căn bậc hai của X nếu Var(εᵢ) = σ² · Xᵢ.
• Ước lượng GLS khả thi (FGLS): Ước lượng mô hình OLS trước, dùng phần dư để ước lượng phương sai, sau đó áp dụng GLS với trọng số đã ước lượng.
• Biến đổi log tự nhiên: Lấy log biến phụ thuộc hoặc cả hai vế thường làm giảm đáng kể hiện tượng phương sai sai số thay đổi, đặc biệt với dữ liệu có độ lệch lớn.
• Sử dụng sai số chuẩn robust (White, Huber-White, Newey-West): Đây là cách phổ biến nhất trong nghiên cứu ứng dụng, cho phép suy luận thống kê vẫn hợp lệ ngay cả khi tồn tại phương sai sai số thay đổi hoặc tự tương quan. Trong Stata có thể dùng tùy chọn , robust; trong R dùng hàm vcovHC từ package sandwich.
• Mô hình ARCH/GARCH: Khi phương sai sai số thay đổi có cấu trúc tự hồi quy theo thời gian, sử dụng mô hình GARCH (1,1) hoặc các biến thể EGARCH, GJR-GARCH để mô hình hóa trực tiếp phương sai có điều kiện.

Ví dụ minh họa trong ngữ cảnh ngân hàng

Giả sử một ngân hàng xây dựng mô hình hồi quy dự đoán thu nhập lãi thuần (NII) của các chi nhánh theo quy mô dư nợ tín dụng. Khi khảo sát 150 chi nhánh trong một quý, nhận thấy phần dư của các chi nhánh có dư nợ lớn có phương sai lớn hơn rõ rệt so với các chi nhánh có dư nợ nhỏ — đây là phương sai sai số thay đổi dạng nhân. Nếu áp dụng OLS thông thường, hệ số ước lượng cho biến dư nợ vẫn không chệch nhưng sai số chuẩn bị đánh giá thấp, khiến kiểm định t có thể vượt ngưỡng ý nghĩa do sai lầm loại I. Cách xử lý: biến đổi log hai vế, hoặc dùng WLS với trọng số wᵢ = 1/dư nợ, hoặc sử dụng sai số chuẩn robust của White để báo cáo kết quả.

Một tình huống khác là khi phân tích mối quan hệ giữa tỷ lệ nợ xấu (NPL ratio) và các chỉ tiêu tài chính doanh nghiệp trên tập dữ liệu chéo gồm cả doanh nghiệp vừa và nhỏ lẫn tập đoàn lớn. Phương sai của phần dư thường tăng theo quy mô tài sản doanh nghiệp, đòi hỏi chuyển sang log-log model hoặc áp dụng sai số chuẩn robust.

Lưu ý: Nội dung trên mang tính tham khảo học thuật và nghiệp vụ, không thay thế tư vấn chuyên môn về phương pháp luận kinh tế lượng trong từng trường hợp cụ thể.