Tiểu luận nhóm kinh tế lượng chủ Đề các yếu tố tác Động Đến giá bán của một căn hộ chung cư tại hà nội

Việc hiểu rõ các yếu tổ tác động đến giá bán căn hộ chung cư không chỉ giúp người mua nhà có quyết định đúng đắn mà còn hỗ trợ các nhà đầu tư và nhà hoạch định chính sách trong việc phát

ĐẠI HỌC QUOC GIA HA NOI TRUONG DAI HOC KINH TE

TIEU LUAN NHOM KINH TE LUQNG

Chủ đề: Các yếu tố tác động đến giá bán của một căn hộ chung cư tại

Hà Nội Giảng viên hướng dẫn: TS Nguyễn Thế Kiên

Sinh viên thực hiện:

trong bối cảnh kinh tế phát triên nhanh chóng và quá trình đô thị hóa mạnh mẽ như hiện nay Tại Hà

Nội, nhu cầu sở hữu nhà ở ngày càng gia tăng, kéo theo sự sôi động của thị trường chung cư vả sự biến động trong giá bán Việc hiểu rõ các yếu tổ tác động đến giá bán căn hộ chung cư không chỉ giúp người mua nhà có quyết định đúng đắn mà còn hỗ trợ các nhà đầu tư và nhà hoạch định chính sách trong việc phát triển thị trường một cách bên vững

Quyết định về gia bán của một căn hộ chung cư chịu ảnh hưởng bởi nhiều yếu tố khác nhau, từ đặc

điểm nội tại của căn hộ như điện tích, số phòng ngủ, tầng cao, hướng nhà đến các yếu tố bên ngoài như vị trí địa lý, cơ sở hạ tầng và tiện ích xung quanh Mỗi yếu tố này đều có mức độ tác động khác

nhau đến giả trị căn hộ trên thị trường, tạo nên sự khác biệt giữa các dự án bat động sản

Xuất phát từ nhu cầu thực tiễn và tầm quan trọng của vấn đề này, nghiên cứu sẽ sử dụng mô hình hồi quy tuyến tính đề phân tích các yếu tố ảnh hưởng đến giá bán căn hộ chung cư tại Hà Nội Dữ

liệu thực tế của thị trường sẽ được thu thập và xử lý để làm rõ mối quan hệ giữa giá bản và các biến

số quan trọng như diện tích, số phòng ngủ, tầng căn hộ, hướng nhà, cũng như sự hiện diện của tiện ích và vị trí địa lý Kết quả nghiên cứu kỳ vọng sẽ cung cấp cơ sở khoa học và thực tiễn cho các bên liên quan nhằm đưa ra những lựa chọn và quyết định hợp lý hơn trong hoạt động đầu tư, mua bán và quản lý thị trường bất động sản

II NOI DUNG

2.1 CƠ SỞ LÝ THUYÉT VÀ MÔ HÌNH NGHIÊN CỨU

2

2.1.1 Giới thiệu mô hình Hedonic

Mô hình định giá Hedonic là một phương pháp phô biến được sử dụng trong kinh tế lượng đề nghiên cứu mối quan hệ giữa giá của một sản phẩm với các đặc tính cầu thành nên sản phẩm đó Phương pháp này dựa trên giả định 1 rang giá trị của một hàng hóa hay dich vụ có thê được phân tách thành các thành phần riêng biệt, mỗi thành phân sẽ phản ánh một đặc điểm cụ thể có ảnh hưởng đến giá trị tông thê của hàng hóa đó

Theo Rosen (1974), mô hình Hedonic được xây dựng trên nền tảng lý thuyết rằng người tiêu dùng khi mua hàng hóa sẽ dựa vào sự thỏa mãn mà từng đặc điểm của hàng hóa mang | lại Trong trường hợp của bắt động sản, giá bán của một căn hộ không chỉ được xác định bởi yếu tố chung như “nhà ở” mà còn phụ thuộc vào các thuộc tính riêng biệt của căn hộ như diện tích, vị trí địa lý, số phòng ngủ, tang cao, hướng nhà hay các tiện ích xung quanh Mỗi đặc điểm nảy đều có thê được định giá

cụ thê và góp phân vào giá trị cuối cùng của căn hộ

Hàm hồi quy Hedonic tông quát được viết dudi dang:

=h(Ci)P_i = h(C_i)Pi=h(Ci)

Trong đó:

e PiP_iPi: Gia ban của căn hộ chung cư thứ 1

e CiC_iCi: Tap hop cac dac diém va yeu tô liên quan đên căn hộ như diện tích, sô phòng ngủ,

tầng cao, hướng nhà, tiện ích và vị tri dia ly

Phương pháp định giá Hedonic được nghiên cứu và phát triên mạnh mẽ qua các giai đoạn Ban dau, Court (1939) đã đưa ra khái niệm về định giá Hedonic khi nghiên cứu thị trường ô tô và những đặc điểm ảnh hưởng đến giá của sản phâm này Sau đó, Lancaster (1966) va Rosen (1974) đã hoàn thiện

lý thuyết, đưa mô hình Hedonic trở thành công cụ phỏ biến trong nghiên cứu kinh tê lượng và đặc biệt là trong lĩnh vực bất động san Các nghiên cứu này chỉ ra rang giá của bất động sản không phải

là một con số đơn lẻ mà là sự tống hợp giá trị từ nhiều yếu tổ cầu thành khác nhau

Trong lĩnh vực bất động sản, mô hình Hedomic tỏ ra đặc biệt phù hợp vì mỗi căn hộ chung cư đều

mang những đặc điểm riêng biệt, từ đó ảnh hưởng trực tiếp đến giá trị của nó Cụ thê:

e Dién tích căn hộ: Diện tích lớn hơn thường được người mua đánh gia cao hon và có giá tri cao hơn

« - Số phòng ngủ: Số lượng phòng ngủ phản ánh tiện ích sử dụng của căn hộ và ảnh hưởng đến quyết định mua của người tiêu dùng

« — Vị trí địa lý: Căn hộ nằm ở trung tâm thành phố hoặc gần các khu vực phát triên về hạ tầng

giao thông, dịch vụ sẽ có giả trị cao hơn so với các khu vực xa trung tâm

« - Hướng nhà: Hướng nhà đẹp theo quan niệm phong thủy và sự thông thoáng tự nhiên sẽ lam tăng giá trị của căn hộ

° Tầng cao: Các tang trung bình và cao thường được ưa chuộng hơn do có tầm nhìn thoáng và

giảm tiếng én từ môi trường xung quanh

e - Tiện ích xung quanh: Sự xuất hiện của các tiện ích như trường học, bệnh viện, trung tâm thương mại hay công viên cũng làm tăng giá trị của căn hộ

3

M6 hinh Hedonic cho phép chúng ta định lượng mức độ tác động của từng yêu tố này lên giá bản của căn hộ Thông qua việc thu thập dữ liệu và thực hiện hồi quy, chúng ta có thê xác định được yếu tố nào có tác động lớn nhất đến giá bán và yếu tố nào có ảnh hưởng ít hơn Ví dụ, trong bối cảnh thị trường bắt động sản Hà Nội, một căn hộ có diện tích lớn, nằm ở quận trung tâm và gần nhiều tiện ích sẽ có giá cao hơn đáng kê so với các căn hộ cùng loại ở vùng ven

Việc áp dụng mô hình Hedonic trong nghiên cứu này không chỉ giúp làm rõ mối quan hệ giữa giá bán căn hộ và các đặc điểm của nó mả còn cung cập thông tin hữu ích cho các bên liên quan Đối với người mua nhà, kết quả nghiên cứu sẽ giúp họ có cái nhìn cụ thê và định lượng hơn khi ra quyết định Đối với các nhà đầu tư, mô hình này giúp đánh giá chính xác yếu tô nào cần chú trọng đề tối

ưu hóa giả trị căn hộ Bên cạnh đó, đối với các nhà quản ly và cơ quan hoạch định chính sách, việc

xác định rõ các yếu tố tác động đến giá ban sẽ là cơ sở quan trọng đề đê xuât các chính sách phát

triên thị trường bât động sản một cach bên vững

Trong phạm vị của dé tai nay, mô hình Hedomic sẽ được sử dụng đề đánh giá các yêu tố như diện tích, số phòng ngủ, vị trí địa lý, tầng cao, hướng nhà và tiện ích xung quanh đối với giá bán của các căn hộ chung cư tại Hà Nội Trong đó, từng biến độc lập đại diện cho từng đặc điêm riêng biệt va các hệ sô thuê nhà hoặc giả trị căn hộ có dạng như sau:

R=f (S,N,L,C,T)

Trong đó: R là giá trị căn hộ, S là những đặc điểm thuộc cầu trúc, N là đặc điểm thuộc môi trường xung quanh, L là vị trí, C là đặc điểm về hợp đồng giao địch, T là thời hạn căn hộ được quan sát

2.1.2 Mô hình nghiên cứu

Nội dung bài tiêu luận sẽ đổi nghiên cứu sự ảnh hưởng ø1á căn hộ chung cư theo các yêu tô

sau:

Bién phụ thuộc Y: Giá bán căn hộ chung cư

Biến giải thích X: Diện tích căn hộ, Số phòng ngủ, Số phòng tắm, Số tầng

Biến giả Z: Nội thất

Z.=0, nội thất thô sơ

Z.= 1, nội thất hoàn thiện

Ta xét mô hình hồi quy kinh tế:

P=

Mô hình hỏi quy tuyến tính bội có dạng tổng quát nhu sau:

Y=a+j)1X1+j2X2+p3X3+ +BnXn+e

Y: Biến phụ thuộc, đại diện cho giá bán căn hộ chung cư (đơn vị triệu VNĐ)

X1,X2, XnX_1, X_2, , X_nX1,X2, ,Xn: Các biến độc lập (các yêu tô ảnh hưởng đến giá bán

căn hộ)

ơ: Hãng số của mô hỉnh

B1.P2 Bn : Hệ số hồi quy của các biến độc lập, biêu thị mức độ tác động của từng biến đến giá bán

£: Sai số ngầu nhiên của mô hình

Phác thảo các giá trị thông kê cơ bản của các biễn

Nhập dữ liệu vào Eviews

View trong bảng dữ liệu

150

DT 91.03333 88.00000 140.0000 50.00000 23.53390 0.416108 2.020383 10.32646 0.005723 13655.00 82522.83

150

PN 2.873333 3.000000 4.000000 1.000000 0.829787 0.097710 1.756972 9.895664 0.007099 431.0000 102.5933

150

PT 1.860000 2.000000 3.000000 1.000000 0.759989 0.238651 1.772813

10.83628 0.004435 279.0000 86.06000

150

T 9.353333 9.000000 20.00000 2.000000 5.091296 0.453221 2.220140 8.936371 0.011468 1403.000 3862.273

150

NT 0.766667 1.000000 1.000000 0.000000 0.424370 -1.260977 2.590062 40.80186 0.000000 115.0000 26.83333

150 Bình luận kết quả: các giá trị trung bình và trung vị nằm ở khoảng giữa của giá trị lớn nhất và giá trị nhỏ nhất => không có quan sát đột biến

(View|, (6) INTITLED Workfilee UNTITLED-Untitled =|/eal[s Xi:

Rang [View] Proc] Object] [Print] Name[Freeze]] Sones Spoc ~ [Options Zoom |Pastion |Sample [Anima g B GD1-KTLCUOIKY * @ @e 2 @a- # œ

Same = Tép Chỉnhsửa Xem Chén

‘Sum squared resid

Leg likelincod 3 Hannan-Quinn criter

F-statistic Durdin-Watson stat

ProbyF-statistic)

— ae ban `} - Onick ‹

Mô hình hàm phù hợp: hàm tuyến tính y = œ + B1 # x1 + B2 * x2 + +Bn # xn+u

Do theo lý thuyết các ngành khác cũng như trong thực tế, ta thấy diện tích nhà tác động củng chiêu với giá căn hộ, tức là diện tích căn hộ càng lớn thi giá căn hộ cảng có xu hướng tang Vi the B1 mang dau (+)

Tương tự với các biến số phòng ngủ và số phòng tắm, Số tang càng lớn thi giá căn hộ càng

có xu hướng tang Vi thé B2, Bn déu mang dau (+)

Ý nghĩa các tham số hồi quy như sau:

œ: hệ số chặn

B1.2 n: mức thay đôi giá căn hộ theo các yếu tố ảnh hưởng

u: yếu tố ngẫu nhiên

2.3 Phân tích đữ liệu

2.3.1 Hồi quy mô hình ( phương pháp OLS)

Phương pháp bình phương nhỏ nhất OLS (ordinary least squares - OLS) là phương pháp được

sử dụng rộng rãi nhất đề ước lượng các tham số trong phương trình hồi quy Đề tối thiêu hoá tong bình phương của các khoảng cách theo phương thắng đứng giữa sô liệu thu thập được

6

và đường (hay mặt) hồi quy Sử dụng phương pháp nảy kèm theo một vải giả thiết, các ước lượng thu được có tính chât đặc biệt nhờ đó mà phương pháp này là phương pháp mạnh nhât

và được nhiều người thích sử dụng

2.3.1.1.Hàm hdi quy mau (SRF): Y=C + B1 ma * DT + B2 mũ * PN + B3 mũ * PT + B4

3.1 Kiểm định các tham số hồi quy ( với mức ý nghĩa œ= 5%)

*Kiém dinh hé s6 B3: (phu luc 2)

Dat gia thiét: Ho: B3=0( hé s6 khéng co y nghia thong ké)

H1: 6370 P-value= 0.8413 >0.05 => Với mức ý nghĩa 5% bác bó H1,chấp nhận H0 => Hệ số

chặn không có ý nghĩa thông kê=> Bỏ biến PT

P-value= 0,3473>0.05 => Với mức ý nghĩa 5% bác bỏ HI,chấp nhận H0 => Hệ số

chặn không có ý nghĩa thông kê=> Bỏ biến NT

*Kiểm định hệ số B9: ( phu luc 8)

Đặt giả thiết: Ho: ÿ9=0( hệ số không có ý nghĩa thống kê)

HI:J9/0

P-value= 0,3682>0.05 => Với mức ý nghĩa 5% bác bó H1,chấp nhận H0 => Hệ số chặn không có ý nghĩa thông kê=> Bỏ biến T*NT

Xác định lại mô hình hồi quy kinh tế:

Nhận xét: Vì hệ số B3,B4.B2.B7,B6.B5,B9 không có ý nghĩa thống kê nên ta xét mô hình hồi quy mới ( loại bỏ các biến ra khỏi mô hình)

b.1) Kiêm định các tham số hồi quy ( với mức ý nghĩa œ=5%) (phụ lục 10)

* Đặt giả thiết: Ho: œ=0( hệ số không có ý nghĩa thông kê)

HI:ơZ0

P-value= 0,0000<œ=0.05 => Với mức ý nghĩa 5% bác bó H0,chấp nhận H1 => Hệ số chặn có ý nghĩa thống kê, R?Z0, các biến giải thích được 97,0514% sự biến động của biến phụ thuộc

b.2) So sánh 2 mô hình hồi quy:

Mô hình ban đầu:

=> Mô hình (1) có dạng hàm sai, thiếu bién (phy luc 11)

3.3 Kiểm định các khuyết tật của mô hình:

3.3.1.Bồ sung các biến lũy thừa bậc CaO: (0# lục 12)

'Y=ÿ0+1-DT+B2:DT2+B3-DT3+B4-PTNT+B5-PTNT2+B6-PTNT3+e

«Xem xét rằng mỗi quan hệ siữa biến phụ thuộc và các biến độc lập không hoàn toàn tuyền tính

Thêm các biến lũy thừa bậc 2 và bậc 3 của DT2,DT3 , PTNT?,PTNT3

o_ DT?, DT3: Mô hình hóa tác động phí tuyến của diện tích

o PTNT2,PTNT?: Mô hình hóa tác động phi tuyến của phát triển nông thôn 3.3.2.Loại bỏ biến không cần thiét:(phu luc 13)

Tiến hành bỏ biến: Estimate — Bỏ biến DT^3 — DT^2 —› PTNT

Kiém dinh dang ham: View -> Stability Diagnostics -> Ramsey RESET Test -> Number of fitted terms: 2 -> OK

Kiém dinh lai dang ham cua M6 hinh (2):(phu luc 14)

« - Thực hiện Ramsey RESET Test với Mô hình (2)

« - Kết quả kiêm định: p=0,8580>0,05 ;

Kết luận: Mô hình (2) đã khắc phục được khuyết tật và có dạng hàm phủ hợp

—› Mô hình (2): Y = 0,708 + 0,038DT + 0,294PTNT?- 0,074PTNTẺ

Bước 3: Với mô hình chốt ở bước 2, kiểm định và khắc phục

khuyết tật đa cộng tuyên (nêu có va cần thiệt)

Đa cộng tuyến là hiện tượng xảy ra khi các biến độc lập có tương quan chặt chẽ với

nhau Điều nảy làm cho hệ số R22 và các hệ số hồi quy có sự sai lệch Kiểm tra

có hiện tượng đa cộng tuyến trong mô hình hay không, tiền hành bằng cách xem

xét hệ số VIF

VIF=1/1-R?

- _ Nếu VIF>10 (tương đương với R^2 > 0.9) thì có đa cộng tuyến

- _ Kiểm tra tương quan giữa các biến độc lập: Nếu hệ số tương quan gần 1 hoặc -1, có thê có đa cộng tuyến

- Héi quy phu: Nếu R? cao khi một biến độc lập hồi quy trên các biến khác, có thể có đa cộng tuyến

Mô hình ban đầu: Sau khi chốt mô hình ở bước 2, mô hình hồi quy có đạng:

Y = 0,708 + 0,038DT + 0,294PTNT? - 0,074PTNT?

3.3.3.1 Kiém định đa cộng tuyến

Đề kiểm tra đa cộng tuyến, ta thực hiện các hồi quy phụ cho từng biến độc lập Mục tiêu là kiểm tra xem biến đó có sự tương quan cao với các biến còn lại hay không

a)Hồi quy phụ l: DT với PTNT? và PTNT? (phụ lục 16)

*Céng thức hồi quy phụ: DT=B0+BI-PTNT2+B2-PTNT3+e

Kết quả kiểm định:

- prob(F) = 0: Mô hình phù hợp, các biên giải thích tốt sự biên động của

DT

- R?>0,8: Chỉ ra rằng phần lớn biến động của DT có thê giải thích bởi PTNT? vả

PTNT, có sự tương quan mạnh giữa các biến này

=>Do có đa cộng tuyến mạnh, có thê bỏ biến DT ra khỏi mô hình

b)H6i quy phy 2: PINT? voi DT va PINT? (Phu luc 17)

*Công thức hồi quy phụ:

PTNT2=B0+B1-DT+P2-PTNT3+e

Kết quả kiểm định:

- prob(F) = 0: Mô hình phù hợp, giải thích tốt sự biến động của PTNT?

- R^2 > 0,8: Có sự tương quan mạnh giữa PTNT? và các biến còn lại

Kết luận:

Do có đa cộng tuyến mạnh, có thê bỏ biến PTNT? ra khỏi mô hình

c)Hỏi quy phụ 3: PTNT? với DT và PTNT? (Phụ lục 18)

10

Công thức hỏi quy phụ:

PTNT3=B0+B1-DT+B2-PTNT?2+e

Kết quả kiểm định:

- prob(F) = 0: Mô hình phù hợp, giải thích tốt sự biến động của PINT?

- R^2 > 0,8: Có sự tương quan mạnh giữa PTNT? và các biến còn lại

Kết luận:

Do có đa cộng tuyến mạnh, có thê bỏ biến PTNT? ra khỏi mô hình

Mô hình chốt sau bước 3: (Pứzy luc 19)

Y=0.659+0.042:DT+0.046-PTNT2Y=0.659+0.042-DT+0.046-PTNT2

3.3.3.2 Kiểm định và khắc phục khuyết tật phương sai sai số thay đổi

(Heteroskedasticity)

Sau khi có mô hình chốt ở bước 3, ta kiểm tra phương sai sai số thay đôi bằng kiêm

định White: Tại kết quả hồi quy, chon View -> Residual Diagnostics -> Heteroskedasticity Tests -> White

Mô hinh sau bước 4:

[View Proc|Objeet | Print]Name |Freeze | | Estimate | Forecast | Stats | Resids |

Dependent Variable: G Method: Least Squares Date: 06/22/24 Time: 21:20

Adjusted R-squared 0.960725 S.D dependent var 1.148398 S.E of regression 0.227589 Akaike info criterion 0.102750 Sum squared resid 7.614152 Schwarz criterion 0.042537 Log likelinood 10.70622 Hannan-Quinn criter -0.078287 F-statistic 1823.366 Durbin-Watson stat 2.482761

Prob(F-statistic) 0.000000

e Lay phan de: series e = resid

© - Kiểm định khuyết tật tự tương quan bằng kiểm định BG: Tại kết quả hồi quy, chon View -> Serial

Correlation LM Test -> Lags to include: 1 -> OK

F-statistic 9.734933 Prob F(1,146) 0.0022 Obs”R-squared 9.376444 Prob Chi-Square(1) 0.0022

Test Equation:

Dependent Variable: RESID

Method: Least Squares Date: 06/22/24 Time: 21:59 Sample: 1875 2024 Included observations: 150 Presample missing value lagged residuals set to zero

Variable Coefficient Std Error t-Statistic Prob

c 0.061735 0.137050 0.450457 0.6530

DT -0.000717 0.002028 -0.353413 0.7243 PTNT^2 0.000946 0.014514 0.065192 0.9481 RESID(-1) -0.257659 0.082581 -3120085 0.0022 R-squared 0.062510 Mean dependent var -4.26E-16 Adjusted R-squared 0.043246 S.D dependent var 0.228057 S.E of regression 0.221115 Akaike info criterion -0.153965 Sum squared resid 7.138194 Schwarz criterion -0.073681 Log likelinood 15.54738 Hannan-Quinn criter -0.121348

F-statistic 3.244878 Durbin-Watson stat 1.861599

Convergence achieved after 4 iterations

Coefficient covariance computed using outer product of gradients

Adjusted R-squared 0.962798 S.D dependent var 1.148398

S.E of regression 0.221502 Akaike info criterion 0.143505

Sum squared resid 7.114154 Schwarz criterion -0.043150

Log likelihood 15.76286 Hannan-Quinn criter ~0.102734

F-statistic 965.0301 Durbin-Watson stat 1.844682

Đề khắc phục, thêm AR(1) (tự hồi quy bậc 1) vào mô hình

Mô hình sau bước 5:

Y=0.74+0.04-DT+0.046-PTNT?

Bước 6: Kiểm định tính phân phối chuẩn của phần dư

Sử dụng kiêm định phần phối chuân phân dư băng Histogram-Normality tes(

View => Residual Diagnostics => Histogram-Normality test

=> p(F) = 0.09 > alpha => phân dư có phân phôi chuân

20

13

Jarque-Bera Probability

Series: Residuals Sample 1150 Observations 150

«Kết quả kiểm định: p-value = 0.09 > 0.05, do đó phần dư có phân phối chuân,

không có vân đề về phân phôi chuan cua phan du

Bước 7: Xác nhận mô hình cuối cùng không có khuyết tật

« - Kiêm tra tự tương quan: Đề xác nhận không có khuyết tật tự tương quan, vẽ đồ thị phân dư theo thời ø1an và phân dư theo thời gian trước đó

« = Nhập dữ liệu:

(E]Group: UNTITLED_ Workfile: BDS:Untitled\ ele) futsal)

View | Proc] Object] [Print| Name |Freeze] Detaut |Sort| Edit+/-| Smpl+/-| Compare+/-|

¢ Chay mé hinh héi quy: Quick -> Estimate Equation -> Nhap ham: g ¢ dt ptnt^2

(©) Equation: UNTITLED Workfile: BDS:Untitled\ =¬ "“-"“x=

[View] Proc] Object] [Print| Name] Freeze] [Estimate | Forecast stats | Resids

Dependent Variable: G Method: Least Squares Date: 06/24/24 Time: 16:31 Sample: 1 150

Included observations 150

Variable Coefficient Std Error t-Statistic Prob

0.658757 0.139585 4.719396 0.0000

DT 0.041821 0.002074 20.16181 0.0000 PTNT*2 0.046422 0.014925 3.108227 0.0023 R-squared 0.961252 Mean dependent var 4641333

Adjusted R-squared 0.960725 S.D dependent v: 1.148398

- reSSior 0.227589 Akaike info criterion -0.102750 Sum squared resid 7.614152 Schwarz criterion -0.042537 Log likelihood 10.70622 Hannan-Quinn criter -0.078287 F-statistic 1823268 Durbin-Watson stat 2.482761 Prob(F-statistic) 0.000000

« Tién hanh kiém dinh:

« - Lấy ra phần dư e: series e = resid

« - Vẽ đồ thị phân dư theo thời gian: Quick -> Graph -> e

14

.View]|Proc Object] |Print|| | lÌ I il

Vẽ đồ thị phần dư phụ thuộc vào phần dư trước đó một thời kỳ: Quick -> Graph -> e(-1) e -> Trong

Specific chon scatter