Figure 3 Scatterplot of ROA on othe

Figure 3 Scatterplot of ROA on other original variables
Figure 3 shows that the linear relationships between ROA and other variables are not clear. Besides, the variances are likely to be increasing in most of the graphs. Particularly, for either the scatterplot of ROA on firm age or the scatterplot of ROA on capital intensity, the variances seem to be inconsistent. Hence, if we use OLS for the original data, we need to take into account heteroskedasticity in the regression.
Note that heteroskedasticity does not result in biased parameter estimates. However, OLS estimates are no longer BLUE. That is, among all the unbiased estimators, OLS does not provide the estimate with the smallest variance. In addition, the standard errors are biased when heteroskedasticity is present. This in turn leads to bias in test statistics and confidence intervals.
To deal with this problem, the first idea that we should think about is to transform the variables. In this research, we take natural logarithm of the original variables. The following figure shows the relationship between the logarithm of ROA and other transformed variables.

Results (Vietnamese) 1:

Hình 3 Scatterplot của ROA trên biến gốc khácHình 3 cho thấy rằng những mối quan hệ tuyến tính giữa các ROA và các biến khác không rõ ràng. Bên cạnh đó, sự chênh lệch rất có khả năng tăng ở hầu hết các đồ thị. Đặc biệt, scatterplot ROA trên công ty tuổi hoặc scatterplot ROA vào thủ đô cường độ, sự chênh lệch này dường như không phù hợp. Do đó, nếu chúng ta sử dụng OLS cho các dữ liệu ban đầu, chúng ta phải đưa vào tài khoản heteroskedasticity trong các hồi quy. Lưu ý rằng heteroskedasticity không kết quả trong số ước lượng tham số thiên vị. Tuy nhiên, ước tính OLS không còn màu XANH. Có nghĩa là, trong số tất cả các estimators không thiên vị, OLS không cung cấp cho các ước tính phương sai nhỏ nhất. Ngoài ra, các lỗi chuẩn là thiên vị khi heteroskedasticity là hiện tại. Điều này lần lượt dẫn đến thiên vị trong bài kiểm tra thống kê và khoảng tin cậy. Để đối phó với vấn đề này, ý tưởng đầu tiên chúng ta nên suy nghĩ về là để biến đổi các biến. Trong nghiên cứu này, chúng ta hãy lôgarit tự nhiên của các yếu tố gốc. Hình dưới đây cho thấy mối quan hệ giữa logarit ROA và biến chuyển khác.

Results (Vietnamese) 2:

Hình 3 phân tán của ROA trên biến gốc khác
Hình 3 cho thấy rằng các mối quan hệ tuyến tính giữa ROA và các biến khác không rõ ràng. Bên cạnh đó, sự chênh lệch có thể sẽ tăng ở hầu hết các đồ thị. Đặc biệt, đối với một trong hai phân tán của ROA vào tuổi công ty hoặc phân tán của ROA trên thâm dụng vốn, phương sai dường như không phù hợp. Do đó, nếu chúng ta sử dụng OLS cho các dữ liệu ban đầu, chúng ta cần phải đưa vào tài khoản heteroskedasticity trong hồi quy.
Lưu ý heteroskedasticity mà không dẫn đến ước lượng tham số thiên vị. Tuy nhiên, ước tính OLS không còn xanh. Đó là, trong số tất cả các ước lượng không thiên vị, OLS không cung cấp các ước tính có phương sai nhỏ nhất. Ngoài ra, các sai số chuẩn là thiên vị khi heteroskedasticity là hiện tại. Điều này sẽ dẫn đến sai lệch trong số liệu thống kê kiểm tra và khoảng tin cậy.
Để đối phó với vấn đề này, ý tưởng đầu tiên mà chúng ta nên suy nghĩ về là để chuyển đổi các biến. Trong nghiên cứu này, chúng tôi đưa logarit tự nhiên của các biến ban đầu. Hình dưới đây cho thấy mối quan hệ giữa các logarit của ROA và các biến đổi khác.