Kiểm định ADF là gì? Cách đọc kết quả và xử lý khi không đạt

Kiểm định ADF là gì

Bạn có một chuỗi số liệu theo năm, quý hoặc tháng, chạy mô hình hồi quy rồi thấy kết quả rất đẹp nhưng vẫn bị hỏi: “Các biến đã dừng chưa?”. Kiểm định ADF, viết tắt của Augmented Dickey-Fuller test, được dùng để kiểm tra một chuỗi thời gian có unit root hay không. Từ đó, bạn quyết định có thể đưa biến vào mô hình ở dạng gốc hay cần sai phân, biến đổi hoặc kiểm tra một bậc tích hợp khác.

Ý tưởng chính của ADF là kiểm tra giả thuyết về hệ số của biến trễ trong phương trình kiểm định. Một dạng tổng quát có thể viết như sau:

ΔYt = α + βt + γYt-1 + ΣδiΔYt-i + εt

Trong đó, ΔYt là sai phân bậc nhất của chuỗi, α là hằng số, βt là xu hướng thời gian nếu mô hình có trend, còn các sai phân trễ giúp xử lý tự tương quan trong phần dư. Kiểm định tập trung vào hệ số γ. Nếu không bác bỏ H0, chuỗi có dấu hiệu chứa unit root và được xem là chưa dừng. Nếu bác bỏ H0, chuỗi được xem là dừng theo đặc tả đã chọn.

ADF thường xuất hiện trong nghiên cứu kinh tế lượng, tài chính, dữ liệu vĩ mô và dữ liệu bảng. Với một luận văn chỉ dùng dữ liệu chéo từ bảng hỏi tại một thời điểm, bạn thường không cần tự động chạy ADF. Ngược lại, dữ liệu theo thời gian hoặc panel data cần được kiểm tra trước khi hồi quy để tránh diễn giải một mối quan hệ có thể là giả.

Bạn có thể xem thêm nhóm bài về Thống kê nếu đang ghép ADF với các kiểm định và mô hình kinh tế lượng khác.

Ý nghĩa của kiểm định ADF trong nghiên cứu định lượng

ADF trả lời một câu hỏi kỹ thuật nhưng ảnh hưởng trực tiếp đến mô hình. Một chuỗi không dừng có thể có trung bình, phương sai hoặc cấu trúc tương quan thay đổi theo thời gian. Khi hồi quy các chuỗi chưa dừng, R² và mức ý nghĩa thống kê có thể trông thuyết phục dù quan hệ giữa các biến không có ý nghĩa kinh tế thực chất.

Trong thực hành, bạn dùng kết quả ADF để đưa ra ba quyết định. Thứ nhất, giữ biến ở dạng mức nếu chuỗi đã dừng ở level. Thứ hai, lấy sai phân nếu chuỗi chỉ dừng sau sai phân bậc nhất. Thứ ba, chuyển sang kiểm tra đồng liên kết nếu nhiều biến cùng chưa dừng nhưng có khả năng tồn tại quan hệ dài hạn. Khi đó, bài toán không dừng ở ADF. Bạn cần trình bày rõ bậc tích hợp, cách chọn mô hình và lý do giữ hoặc biến đổi từng biến.

ADF cũng giúp bạn tránh nhầm giữa kiểm định tính dừng và các kiểm định khác. Kiểm định đồng liên kết xem các chuỗi chưa dừng có kết hợp tạo thành quan hệ cân bằng dài hạn hay không. Nhân quả Granger xem độ trễ của một biến có cải thiện khả năng dự báo biến kia hay không. Hai kiểm định này có thể đứng sau ADF trong một quy trình phân tích, nhưng không thay thế ADF.

Nếu dữ liệu của bạn là panel data, kết quả cần được đọc thận trọng hơn. ADF nguyên bản thường được trình bày cho một chuỗi hoặc từng đơn vị theo thời gian. Với dữ liệu bảng, phần mềm kinh tế lượng có thể cung cấp các kiểm định panel unit root khác. Bạn cần ghi rõ đang chạy ADF cho từng chuỗi hay một kiểm định tính dừng dành cho panel, thay vì gọi chung tất cả là “ADF”.

Kiểm định ADF bao nhiêu là đạt

Cụm “kiểm định ADF bao nhiêu là tốt” thường khiến người chạy output tìm một con số duy nhất. Cách đọc đúng không phải là nhìn ADF statistic lớn hay nhỏ một cách tách rời. Bạn phải xem p-value, critical value, dạng phương trình đã chọn và bậc sai phân. ADF statistic thường được so với critical value ở các mức ý nghĩa như 1%, 5% và 10%.

Với ADF, H0 thường là chuỗi có unit root, tức chưa dừng. H1 là chuỗi dừng. Vì vậy, p-value nhỏ hơn mức ý nghĩa bạn chọn là bằng chứng để bác bỏ H0. Mức 5% được dùng phổ biến trong luận văn, nhưng bạn phải ghi rõ mức ý nghĩa trong bảng và không nên đổi mức sau khi đã thấy kết quả.

Do danh mục nguồn được phép của bài này không có tài liệu chuyên biệt về ngưỡng ADF, bảng dưới đây trình bày quy tắc quyết định của chính kiểm định, không gắn một ngưỡng trích dẫn ngoài danh mục. Đây là điểm cần phân biệt với các ngưỡng Cronbach's Alpha, KMO hay VIF, vốn có nguồn riêng trong tài liệu phương pháp.

Một số output có p-value hiển thị là 0.0000. Bạn không nên viết p-value bằng 0 tuyệt đối. Cách viết phù hợp là p < 0.001 nếu phần mềm chỉ hiển thị các chữ số đó. Đồng thời, “không bác bỏ H0” chính xác hơn “chấp nhận H0”, vì một p-value lớn không chứng minh tuyệt đối rằng chuỗi có unit root.

Cách đọc kiểm định ADF trên output

Tên cột khác nhau tùy phần mềm. Một output thường có ADF test statistic, p-value, critical values ở 1%, 5% và 10%, cùng phần mô tả có hoặc không có intercept, trend và số độ trễ. Đừng chỉ chụp riêng một con số rồi đưa vào chương 4. Người đọc cần biết kiểm định được chạy trên biến nào, ở level hay first difference, với cấu hình nào.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Các con số được dựng để mô phỏng cách bạn có thể trình bày kết quả. Tên cột có thể thay đổi giữa EViews, Stata, R hoặc tiện ích kinh tế lượng khác.

Hãy đọc từng dòng theo thứ tự. GDP ở level có p-value 0.214, lớn hơn 0.05, nên chưa bác bỏ H0. Sau sai phân bậc nhất, p-value là 0.001 và ADF statistic nhỏ hơn critical value 5%, nên có bằng chứng chuỗi dừng ở sai phân bậc nhất. INF dừng ngay ở level trong cấu hình có intercept và trend. Bạn không được gom GDP, INF và INV vào cùng một câu rằng “tất cả biến đều dừng” vì chúng dừng ở các dạng khác nhau.

Nếu bạn đang tìm “kiểm định ADF trong SPSS”, cần biết SPSS chuẩn thường không cung cấp quy trình ADF thuận tiện như các phần mềm kinh tế lượng chuyên dụng. SPSS có thể tạo biến sai phân bằng Transform > Compute Variable, nhưng phần kiểm định unit root thường cần extension, syntax bổ sung hoặc phần mềm như EViews, Stata, R và Python. AMOS cũng không phải công cụ phù hợp cho bước kiểm tra tính dừng. Bạn nên ghi đúng phần mềm và phiên bản đã dùng trong luận văn.

Cách viết vào luận văn: “Kết quả kiểm định ADF cho thấy biến [TÊN BIẾN] tại dạng [LEVEL/SAI PHÂN BẬC NHẤT] có ADF statistic bằng [GIÁ TRỊ], p-value bằng [GIÁ TRỊ], so với critical value 5% là [GIÁ TRỊ]. Do p-value [nhỏ hơn/lớn hơn] 0.05, nghiên cứu [bác bỏ/chưa bác bỏ] H0 và kết luận biến [TÊN BIẾN] [dừng/chưa có bằng chứng dừng] tại dạng kiểm định này.”

Khi kiểm định ADF không đạt thì xử lý thế nào

Nếu ADF không đạt ở level, đừng xóa biến ngay và cũng đừng chạy hồi quy như thể không có vấn đề. Bạn xử lý theo thứ tự sau.

Kiểm tra lại dữ liệu và cấu hình kiểm định

Trước hết, xem chuỗi có bị thiếu quan sát, nhập sai dấu thập phân, đứt đoạn thời gian hoặc thay đổi đơn vị đo hay không. Kiểm tra bạn đã chọn intercept, trend và số độ trễ có phù hợp với đặc điểm chuỗi chưa. Một chuỗi có xu hướng rõ nhưng chạy mô hình không có trend có thể cho kết quả khó diễn giải.

Chạy ADF ở sai phân bậc nhất

Tạo ΔYt = Yt - Yt-1, sau đó chạy lại kiểm định và ghi rõ đây là first difference. Nếu chuỗi dừng sau sai phân bậc nhất, bạn có thể mô tả chuỗi là tích hợp bậc một trong phạm vi kết quả đã kiểm tra. Không nên sai phân liên tục chỉ để ép p-value xuống thấp, vì sai phân quá mức có thể làm mất thông tin dài hạn.

Kiểm tra đồng liên kết trước khi chọn mô hình

Nếu các biến đều chưa dừng ở level nhưng dừng ở cùng một bậc, hãy cân nhắc kiểm định đồng liên kết. Khi có quan hệ dài hạn, mô hình phù hợp có thể khác với hồi quy OLS trên các chuỗi đã sai phân hoàn toàn. Nếu đề tài dùng dữ liệu bảng, bạn cũng cần xem xét cấu trúc tác động cá thể và thời gian. Hồi quy GMM có thể xuất hiện trong một số bài toán động, nhưng không phải đáp án mặc định cho mọi chuỗi chưa dừng.

Ghi lại toàn bộ vòng xử lý

Lưu output ở level, first difference và các cấu hình chính. Bảng theo dõi này giúp bạn giải trình tại sao một biến được giữ ở dạng mức, biến khác được sai phân, và vì sao mô hình cuối cùng được chọn. Hội đồng thường quan tâm logic của quy trình hơn một bảng chỉ có các p-value đẹp.

Phân biệt kiểm định ADF với các kiểm định dễ nhầm

“Kiểm định Hausman là gì” là câu hỏi về lựa chọn giữa mô hình tác động cố định và tác động ngẫu nhiên trong dữ liệu bảng. Hausman không kiểm tra tính dừng. Vì vậy, “kiểm định Hausman bao nhiêu là tốt” cũng không thể dùng cùng quy tắc với ADF. Với Hausman, bạn đọc p-value để xem có bằng chứng khác biệt có hệ thống giữa các ước lượng hay không, sau đó chọn mô hình theo logic kinh tế lượng và giả định của dữ liệu.

“Kiểm định Breusch-Pagan là gì” có thể chỉ nhiều thủ tục khác nhau. Trong hồi quy, Breusch-Pagan thường được dùng để kiểm tra heteroskedasticity. Trong dữ liệu bảng, một phiên bản có thể hỗ trợ lựa chọn giữa pooled OLS và cấu trúc hiệu ứng. Vì vậy, câu hỏi “kiểm định Breusch-Pagan bao nhiêu là tốt” phải đi kèm tên kiểm định, mô hình và H0 cụ thể. Không được lấy p-value ADF, Hausman và Breusch-Pagan để kết luận cùng một vấn đề.

Bạn cũng nên phân biệt ADF với độ trễ tối ưu. ADF có thành phần sai phân trễ, nhưng việc chọn số lag trong phương trình kiểm định không đồng nghĩa với việc đã xác định độ trễ tối ưu cho VAR, ARDL hay một mô hình động khác. Nếu nghiên cứu dùng biến công cụ, biến công cụ là gì là một chủ đề khác về nội sinh, không phải về stationarity.

Lỗi thường gặp

Lỗi đầu tiên là viết “ADF lớn hơn 0.05 thì không đạt”. ADF statistic là một thống kê kiểm định, còn 0.05 thường là mức ý nghĩa hoặc p-value. Bạn phải gọi đúng tên cột trước khi so sánh.

Lỗi thứ hai là chỉ báo cáo p-value mà bỏ qua dạng kiểm định. ADF có intercept hay trend, chạy ở level hay sai phân, dùng bao nhiêu lag đều ảnh hưởng đến cách người đọc hiểu kết quả.

Lỗi thứ ba là coi mọi p-value lớn là bằng chứng chắc chắn chuỗi có unit root. Cách diễn đạt thận trọng là “chưa bác bỏ H0 tại mức ý nghĩa 5%”.

Lỗi thứ tư là sai phân từng biến theo cảm tính rồi chạy hồi quy mà không kiểm tra quan hệ dài hạn. Nếu biến dừng ở các bậc khác nhau, mô hình và kết luận cần được xem xét lại.

Lỗi cuối cùng là ghi “đã chạy ADF trong SPSS” nhưng không lưu được bảng output hoặc không nói rõ extension nào đã dùng. Nếu SPSS chỉ được dùng để quản lý dữ liệu, hãy ghi phần mềm thực hiện ADF một cách trung thực.

Câu hỏi thường gặp

Kiểm định ADF có bắt buộc trong mọi luận văn định lượng không?

Không. ADF phù hợp với dữ liệu chuỗi thời gian và nhiều bài toán dữ liệu bảng. Nếu bạn khảo sát người trả lời một lần bằng thang Likert rồi chạy Cronbach's Alpha, EFA, hồi quy hoặc PLS-SEM, ADF thường không phải bước mặc định.

p-value của ADF bao nhiêu là tốt?

Ở mức ý nghĩa 5%, p-value nhỏ hơn 0.05 thường được dùng để bác bỏ H0 rằng chuỗi có unit root. Tuy nhiên, bạn phải xem cả ADF statistic, critical value, intercept, trend và bậc sai phân. Một p-value nhỏ không tự động chứng minh mô hình cuối cùng là phù hợp.

Kiểm định ADF không đạt ở level thì có phải bỏ biến không?

Chưa cần bỏ biến. Bạn có thể kiểm tra dữ liệu, chạy ở sai phân bậc nhất, xem xét đồng liên kết và chọn mô hình phù hợp. Việc xử lý nào được chấp nhận phụ thuộc vào câu hỏi nghiên cứu, cấu trúc dữ liệu và cách bạn giải trình trong chương phương pháp.

Có thể chạy kiểm định ADF trong SPSS không?

SPSS không phải lựa chọn thuận tiện nhất cho ADF trong quy trình mặc định. Bạn có thể xử lý dữ liệu và tạo sai phân trong SPSS, nhưng nên kiểm tra rõ extension hoặc dùng EViews, Stata, R hay Python cho unit root test. Đừng ghi một quy trình mà bạn không thể mở lại khi được hỏi.

Kiểm định ADF và Hausman có chạy cùng nhau không?

Có thể xuất hiện trong cùng một nghiên cứu dữ liệu bảng, nhưng chúng trả lời hai câu hỏi khác nhau. ADF kiểm tra tính dừng, còn Hausman hỗ trợ lựa chọn giữa các đặc tả tác động cá thể. Thứ tự chạy cần bám theo mô hình nghiên cứu, không phải ghép hai kiểm định chỉ vì đều có p-value.

Nếu các biến dừng sau sai phân thì có được hồi quy ngay không?

Bạn cần xem các biến có quan hệ đồng liên kết hay không và mô hình có phù hợp với mục tiêu phân tích không. Hãy lưu bảng kết quả từng bước, nêu rõ biến nào được sai phân, rồi giải thích vì sao dạng dữ liệu đó được đưa vào mô hình cuối cùng.

Bạn hãy mở file dữ liệu, lập một bảng gồm tên biến, dạng kiểm định, ADF statistic, p-value, critical value và bậc sai phân trước khi viết chương 4; nếu cần chạy phân tích trên chính file .sav hoặc .csv, M4 phân tích của DoThesis có thể hỗ trợ bước này.