Mô hình căn bậc hai R (R-Squared Coefficient)
Hệ số R bình phương (R-Squared Coefficient), ký hiệu R², là một đại lượng thống kê đo lường tỷ lệ phương sai (biến thiên) của biến phụ thuộc được giải thích bởi các biến độc lập trong một mô hình hồi quy. Trong ngân hàng, R² được sử dụng rất phổ biến để đánh giá chất lượng của các mô hình định lượng như: mô hình xếp hạng tín dụng nội bộ (internal credit scoring), mô hình ước lượng xác suất vỡ nợ (Probability of Default - PD), mô hình ước lượng tỷ lệ tổn thất (Loss Given Default - LGD), mô hình định giá tài sản đảm bảo, hoặc mô hình dự báo doanh số tiền gửi khách hàng. Giá trị R² nằm trong khoảng [0, 1] (đôi khi có thể âm trong một số biến thể hồi quy phi tuyến); R² càng gần 1 thì mô hình càng giải thích tốt biến thiên của dữ liệu, R² càng gần 0 thì mô hình càng kém có ý nghĩa.
Công thức tính cốt lõi
R² được tính theo công thức: R² = 1 - (SS_res / SS_tot). Trong đó SS_res (Sum of Squares Residuals) là tổng bình phương phần dư - phản ánh sai số mà mô hình chưa giải thích được, còn SS_tot (Total Sum of Squares) là tổng bình phương tổng - phản ánh tổng biến thiên của biến phụ thuộc so với giá trị trung bình. Một cách diễn giải tương đương: R² = (SS_reg / SS_tot), với SS_reg là phần biến thiên được mô hình giải thích. Trong hồi quy tuyến tính bội (multiple linear regression), R² có quan hệ với hệ số tương quan bội R theo công thức R = √(R²), chính vì vậy tên gọi "căn bậc hai R" phản ánh viễn cảnh một chiều (simple regression) từ đó khái niệm này được mở rộng.
Ý nghĩa trong thực tiễn ngân hàng
Trong một mô hình xếp hạng tín dụng doanh nghiệp, R² = 0,72 chẳng hạn có nghĩa là 72% biến thiên của xếp hạng rủi ro được giải thích bởi các biến đầu vào như tỷ lệ nợ trên vốn chủ sở hữu, doanh thu, ngành nghề, lịch sử trả nợ, biên lợi nhuận ròng... 28% còn lại là yếu tố ngẫu nhiên hoặc các biến ngoài mô hình. Với mô hình PD theo phương pháp Basel, hệ số R² thường được kỳ vọng nằm trong ngưỡng chấp nhận được theo khung đánh giá nội bộ của từng ngân hàng; tuy nhiên R² cao chưa chắc đã đủ - mô hình còn phải đáp ứng các tiêu chí khác như phân ly Gini, kiểm định Kolmogorov-Smirnov, và quan trọng nhất là khả năng dự bán hết hạn ra ngoài mẫu (out-of-sample). Các ngân hàng thường chạy tách mẫu train/test theo tỷ lệ 70/30 hoặc sử dụng k-fold cross-validation để đảm bảo R² trên mẫu kiểm tra không sụt giảm quá nhiều so với R² trên mẫu huấn luyện.
Lưu ý quan trọng khi sử dụng R²
R² có một số hạn chế cổ điển mà người làm mô hình tại ngân hàng phải nắm rõ: (1) R² luôn tăng khi thêm biến độc lập, kể cả khi biến thêm vào không có ý nghĩa thống kê - vì vậy cần dùng R² hiệu chỉnh (Adjusted R²) khi so sánh các mô hình có số biến khác nhau; (2) R² không phù hợp cho mô hình hồi quy logistic, lúc đó người ta dùng Pseudo R² (McFadden, Cox & Snell, Nagelkerke) hoặc AUC; (3) Trong mô hình chuỗi thời gian có tự tương quan, R² có thể bị thổi phồng; (4) Trong mô hình LGD có giá trị bị cắt (capped) ở 0% và 100%, R² thông thường có thể âm, cần dùng công thức điều chỉnh theo đề xuất của Tresse và Van Gestel.
Câu hỏi thường gặp
Hỏi: Trong xây dựng mô hình xếp hạng tín dụng, R² tối thiểu bao nhiêu được xem là chấp nhận được? Ngân hàng Nhà nước và Ủy ban Basel không quy định cứng ngưỡng R² tối thiểu cho mọi mô hình, vì ngưỡng hợp lý phụ thuộc vào tính chất dữ liệu và mục đích sử dụng. Thông lệ nội bộ tại nhiều ngân hàng Việt Nam hiện nay yêu cầu R² hiệu chỉnh ≥ 0,5 cho mô hình PD doanh nghiệp vừa và nhỏ và ≥ 0,3 cho mô hình PD bán lẻ. Tuy nhiên, một mô hình có R² = 0,45 nhưng các biến có ý nghĩa thống kê (p-value < 0,05) và ổn định ngoài mẫu vẫn được chấp nhận nếu phục vụ đúng phân khúc khách hàng.
Hỏi: R² cao có đồng nghĩa với mô hình dự báo tốt không? Không hoàn toàn. R² cao chỉ phản ánh mô hình "vừa vặn" với dữ liệu lịch sử (in-sample fit), chưa đảm bảo khả năng dự báo tương lai. Một mô hình có R² = 0,9 trên tập train nhưng R² = 0,2 trên tập test là dấu hiệu rõ ràng của hiện tượng quá khớp (overfitting). Trong ngân hàng, mô hình phải được kiểm tra thêm bằng: back-testing, stress-test, đánh giá độ ổn định các hệ số theo thời gian (Population Stability Index - PSI), và benchmark với mô hình định chuẩn.
Hỏi: Tại sao hồi quy logistic trong mô hình PD không dùng R² thông thường? Vì biến phụ thuộc trong hồi quy logistic là nhị phân (vỡ nợ hay không vỡ nợ, mã hóa 0/1), phương sai toàn phần không còn mang ý nghĩa như trong hồi quy tuyến tính thường. R² cổ điển có thể âm và không diễn giải được tỷ lệ phương sai được giải thích. Vì vậy, khi xây dựng mô hình scorecard bằng logistic regression, các ngân hàng thường báo cáo Pseudo R² (McFadden), chỉ số AUC-ROC, Gini coefficient (= 2 × AUC - 1), và KS statistic - đây mới là các thước đo sức mạnh phân loại chuẩn trong Basel II/III.
Lưu ý: Nội dung trên mang tính tham khảo chuyên môn, không thay thế tư vấn của chuyên gia quản trị rủi ro hoặc tư vấn pháp lý về khung Basel nội bộ của từng ngân hàng.