Phương sai thay đổi (Heteroskedasticity)
Phương sai thay đổi (tiếng Anh: Heteroskedasticity) là hiện tượng trong mô hình hồi quy tuyến tính cổ điển khi phương sai của phần dư (sai số ngẫu nhiên) không đồng nhất giữa các quan sát. Nói cách khác, mức độ phân tán của sai số không phải là một hằng số mà phụ thuộc vào giá trị của biến độc lập, vào thời gian hoặc vào đặc điểm riêng của từng cá thể trong mẫu. Đây là vi phạm một trong các giả thiết trọng yếu của mô hình hồi quy tuyến tính cổ điển — giả thiết đồng phương sai (homoskedasticity) trong hệ giả thiết Gauss–Markov. Khi giả thiết này bị vi phạm, các ước lượng bình phương nhỏ nhất thông thường (OLS) vẫn không chệch nhưng không còn hiệu quả, khiến kết quả kiểm định giả thuyết và khoảng tin cậy trở nên thiếu đáng tin cậy.
Nguyên nhân gây ra phương sai thay đổi
Phương sai thay đổi xuất hiện phổ biến trong nhiều tình huống phân tích kinh tế, tài chính và ngân hàng. Một số nguyên nhân điển hình bao gồm:
- Dữ liệu chuỗi thời gian tài chính: Phương sai của lợi suất tài sản, tỷ giá, lãi suất thường thay đổi theo thời gian, đặc biệt trong các giai đoạn khủng hoảng hoặc biến động mạnh. Hiện tượng "cụm biến động" (volatility clustering) là biểu hiện rõ nét của heteroskedasticity.
- Dữ liệu chéo (cross-sectional) có quy mô khác nhau: Ví dụ, khi phân tích mối quan hệ giữa quy mô doanh nghiệp và tỷ lệ nợ trên vốn chủ sở hữu, doanh nghiệp lớn thường có phương sai lớn hơn doanh nghiệp nhỏ.
- Mô hình hóa sai dạng hàm: Khi mô hình bỏ sót biến quan trọng hoặc dạng hàm không phù hợp, phần dư có thể thể hiện phương sai thay đổi.
- Sự hiện diện của giá trị ngoại lệ (outlier): Các quan sát có giá trị cực đại hoặc cực tiểu có thể kéo giãn phương sai.
- Hiệu ứng thang lương (scale effect): Khi biến độc lập có đơn vị đo lớn, phương sai của phần dư có xu hướng tăng theo.
Phát hiện phương sai thay đổi
Có ba nhóm phương pháp chính để phát hiện hiện tượng heteroskedasticity:
- Phương pháp đồ thị: Vẽ biểu đồ phân tán giữa phần dư chuẩn hóa và giá trị dự đoán, hoặc phần dư với từng biến độc lập. Nếu các điểm phân tán có hình quạt (fan-shape) hoặc đường cong rõ rệt, có dấu hiệu của phương sai thay đổi.
- Kiểm định Breusch–Pagan: Dựa trên giả thuyết H₀: phương sai không đổi. Thống kê kiểm định tuân theo phân phối Chi-bình phương. Phù hợp khi phương sai thay đổi liên quan tuyến tính với biến độc lập.
- Kiểm định White: Tổng quát hơn, phát hiện cả phương sai thay đổi dạng phi tuyến và hiệu ứng tương tác giữa các biến. Thống kê kiểm định cũng tuân theo phân phối Chi-bình phương. Đây là kiểm định phổ biến nhất trong các phần mềm thống kê.
- Kiểm định Goldfeld–Quandt: So sánh phương sai phần dư giữa hai nhóm quan sát sau khi sắp xếp theo biến nghi ngờ.
Hậu quả của phương sai thay đổi
Khi hiện tượng heteroskedasticity tồn tại trong mô hình, các hệ quả quan trọng bao gồm:
- Ước lượng OLS vẫn không chệch (unbiased) và vẫn nhất quán, nhưng không còn hiệu quả (inefficient). Nghĩa là phương sai của ước lượng không phải là nhỏ nhất trong lớp các ước lượng tuyến tính không chệch.
- Sai số chuẩn (standard error) bị ước lượng sai — thường bị ước lượng thấp trong trường hợp phương sai tăng theo biến độc lập, dẫn đến hiện tượng "phát hiện giả" các biến có ý nghĩa thống kê.
- Kiểm định t và kiểm định F không còn đáng tin cậy, vì các thống kê này được xây dựng dựa trên giả thiết đồng phương sai.
- Khoảng tin cậy và dự báo sai lệch, ảnh hưởng đến chất lượng của các mô hình dự báo tài chính.
Khắc phục phương sai thay đổi
Có nhiều cách tiếp cận để xử lý hiện tượng này, tùy thuộc vào đặc điểm dữ liệu và mục tiêu phân tích:
- Bình phương nhỏ nhất có trọng số (Weighted Least Squares — WLS): Gán trọng số cho mỗi quan sát tỷ lệ nghịch với phương sai của sai số, qua đó khôi phục tính hiệu quả của ước lượng.
- Sai số chuẩn vững (Robust Standard Errors — Huber–White): Điều chỉnh ma trận hiệp phương sai của ước lượng mà không cần thay đổi phương pháp ước lượng. Đây là cách được sử dụng rộng rãi nhất trong thực tiễn phân tích kinh tế lượng.
- Biến đổi dữ liệu: Lấy logarit, căn bậc hai hoặc biến đổi Box–Cox để ổn định phương sai.
- Mô hình ARCH/GARCH: Trong phân tích chuỗi thời gian tài chính, mô hình Tự hồi quy có phương sai có điều kiện dị hợp (ARCH) và tổng quát hóa (GARCH) mô hình hóa trực tiếp phương sai thay đổi theo thời gian. Mô hình GARCH(1,1) là lựa chọn phổ biến trong ước lượng Value at Risk (VaR) và phân tích rủi ro thị trường.
- Bootstrap: Lấy mẫu lại để xây dựng phân phối của thống kê kiểm định mà không cần dựa vào giả thiết đồng phương sai.
Ứng dụng trong phân tích tài chính ngân hàng
Phương sai thay đổi là khái niệm thường xuyên xuất hiện trong các bài thi tuyển dụng ngân hàng và trong thực tiễn phân tích tài chính:
- Mô hình chấm điểm tín dụng (Credit Scoring): Xác suất vỡ nợ (PD — Probability of Default) thường thay đổi theo quy mô khoản vay, ngành nghề, vùng miền. Mô hình hồi quy logistic ước lượng PD cần kiểm tra và xử lý heteroskedasticity.
- Phân tích đường cong lãi suất theo kỳ hạn: Phương sai của chênh lệch lãi suất giữa các kỳ hạn thường thay đổi theo thời gian, đặc biệt khi Ngân hàng Nhà nước điều chỉnh lãi suất điều hành.
- Mô hình VaR (Value at Risk): Ước lượng rủi ro thị trường cho danh mục đầu tư của ngân hàng dựa trên giả định phương sai không đổi sẽ cho kết quả sai lệch. Mô hình GARCH kết hợp với phân phối đuôi nặng (heavy-tailed distribution) được sử dụng phổ biến.
- Kiểm định hiệu quả thị trường: Các mô hình kiểm định dạng yếu (Weak Form) thường gặp vấn đề heteroskedasticity do hiện tượng volatility clustering của lợi suất cổ phiếu.
- Phân tích rủi ro thanh khoản: Khi nghiên cứu spread lãi suất liên ngân hàng (interbank rate spread) theo thời gian, phương sai thay đổi phản ánh các giai đoạn căng thẳng thanh khoản.
Ví dụ minh họa
Giả sử một ngân hàng xây dựng mô hình hồi quy để ước lượng tỷ lệ nợ xấu theo quy mô khoản vay. Mô hình có dạng: Tỷ lệ nợ xấu = β₀ + β₁ × Quy mô khoản vay + ε. Khi vẽ biểu đồ phần dư theo giá trị dự đoán, ta thấy phương sai tăng dần khi quy mô khoản vay tăng — đây là biểu hiện của phương sai thay đổi. Kiểm định White cho p-value < 0,05, bác bỏ giả thuyết H₀ về phương sai không đổi. Trong trường hợp này, nhà phân tích có thể:
- Áp dụng sai số chuẩn vững (robust standard errors) để điều chỉnh suy luận thống kê.
- Biến đổi logarit cho biến quy mô khoản vay để ổn định phương sai.
- Sử dụng mô hình WLS với trọng số là nghịch đảo của quy mô khoản vay.
Nội dung mang tính tham khảo, không thay thế tư vấn chuyên môn về phân tích kinh tế lượng và mô hình tài chính ngân hàng.