Slide KTL1 161231 135slides PDF

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN
KHOA TOÁN KINH TẾ

BỘ MÔN TOÁN KINH TẾ
BÀI GIẢNG
KINH TẾ LƯỢNG 1
(ECONOMETRICS 1)
www.mfe.neu.edu.vn
12 / 2016
1
KINH TẾ LƯỢNG CƠ BẢN – Bui Duong Hai – NEU – www.mfe.edu.vn/buiduonghai
Thông tin giảng viên
▪ Học vị. Họ tên giảng viên
▪ Giảng viên Bộ môn Toán kinh tế - Khoa Toán kinh tế
- ĐH Kinh tế quốc dân
▪ Văn phòng khoa: Phòng 403 – Nhà 7
▪ Email: (giangvien)@neu.edu.vn
▪ Trang web: www.mfe.neu.edu.vn/(họ tên GV)
KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 2

Thông tin học phần
▪ Tiếng Anh: Econometrics 1
▪ Số tín chỉ: 3 Thời lượng: 45 tiết
▪ Đánh giá:
• Điểm do giảng viên đánh giá: 10%
• Điểm kiểm tra giữa kỳ / bài tập lớn: 20%
• Điểm kiểm tra cuối kỳ (90 phút): 70%
▪ Không tham gia quá 20% số tiết không được thi
▪ Kiểm tra 20% được thực hiện trên phòng máy tính

Thông tin học phần
▪ Thông tin chi tiết về Giảng dạy và học tập học phần:
▪ www.mfe.edu.vn (www.mfe.neu.edu.vn)  Văn bản
quan trọng  “Hướng dẫn giảng dạy học tập học
phần Kinh tế lượng”
• Đề cương chi tiết
• Hướng dẫn thực hành Eviews
• Nội dung giảng dạy học tập cụ thể
▪ Biên tập Slide: Bùi Dương Hải
• Liên hệ: www.mfe.edu.vn/buiduonghai
Tài liệu
▪ Nguyễn Quang Dong, Nguyễn Thị Minh (2013), Giáo
trình Kinh tế lượng, NXB ĐHKTQD.
▪ Bùi Dương Hải (2013), Tài liệu hướng dẫn thực
hành Eviews4, lưu hành nội bộ.
▪ Website: www.mfe.neu.edu.vn
▪ Thư viện > Dữ liệu – phần mềm > Eviews4,
Data_Giaotrinh_2013, Data2012
▪ Eviews 4.0; STATA 12.0 hoặc cao hơn

NỘI DUNG
▪ Mở đầu
▪ PHẦN A. KINH TẾ LƯỢNG CƠ BẢN
▪ Chương 1. Mô hình hồi quy hai biến
▪ Chương 2. Mô hình hồi quy bội
▪ Chương 3. Suy diễn thống kê và dự báo
▪ Chương 4. Phân tích hồi quy với biến định tính
▪ Chương 5. Kiểm định và lựa chọn mô hình
▪ Chương 6. Hồi quy với số liệu chuỗi thời gian
▪ Chương 7. Hiện tượng tự tương quan
BÀI MỞ ĐẦU
Khái niệm về Kinh tế lượng

▪ Econometrics (R. A. K. Frisch, J. Tinbergen 1930):
Econo = Kinh tế + Metric = Đo lường
▪ Có nhiều định nghĩa
▪ Khái niệm: Kinh tế lượng là sự kết hợp giữa kinh tế
học, toán học và thống kê toán nhằm lượng hóa,
kiểm định và dự báo các quan hệ kinh tế.

Mở đầu
Mục đích của Kinh tế lượng

▪ Thiết lập các mô hình toán học mô tả các mối quan
hệ kinh tế
▪ Ước lượng các tham số đo về sự ảnh hưởng của các
biến kinh tế
▪ Kiểm định tính vững chắc của các giả thuyết
▪ Sử dụng các mô hình đã được kiểm định để đưa ra
các dự báo và mô phỏng hiện tượng kinh tế
▪ Đề xuất chính sách dựa trên các phân tích và dự báo

Mở đầu
Phương pháp luận

Nêu các giả thuyết Mô hình
toán học
Thiết lập mô hình
Mô hình
Thu thập số liệu Kinh tế lượng
Ước lượng tham số
Phân tích kết quả
Dự báo
Ra quyết định
Mở đầu

▪ Bước 1: Nêu các giả thuyết, giả thiết
• Đưa các giả thuyết về mối liên hệ giữa các yếu tố
• Giả thuyết phù hợp mục đích nghiên cứu
• Còn gọi là xây dựng mô hình lý thuyết
▪ Bước 2: Định dạng mô hình toán học, gồm
• Các biến số: lượng hóa, số hóa các yếu tố
• Các tham số, hệ số thể hiện mối liên hệ
• Các phương trình

Mở đầu

▪ Bước 3: Định dạng mô hình kinh tế lượng
• Thêm vào mô hình toán học yếu tố ngẫu nhiên,
thể hiện qua sai số ngẫu nhiên
▪ Bước 4: Thu thập số liệu
• Để ước lượng các tham số cần số liệu mẫu
• Độ chính xác của số liệu ảnh hưởng đến kết quả
▪ Bước 5: Ước lượng các tham số
• Sử dụng phân tích hồi quy, ước lượng tham số

Mở đầu

▪ Bước 6: Phân tích kết quả
• Phân tích về kinh tế: có phù hợp lý thuyết không?
• Phân tích về kỹ thuật: thống kê và toán học
• Nếu có sai lầm, quay lại các bước trên
▪ Bước 7: Dự báo
• Mô hình phù hợp về lý thuyết và kỹ thuật, sử
dụng để dự báo
▪ Bước 8: Kiểm tra, đề ra chính sách

Mở đầu
Số liệu cho phân tích kinh tế lượng

▪ Phân loại theo cấu trúc
• Số liệu chéo (cross sectional data)
• Chuỗi thời gian (time series)
• Số liệu mảng (panel), hỗn hợp (pooled)
▪ Phân loại theo tính chất:
• Định lượng và định tính
▪ Phân loại theo nguồn gốc:
• Sơ cấp và thứ cấp

Mở đầu
Số liệu cho phân tích kinh tế lượng

▪ Nguồn gốc số liệu:
• Cơ quan chính thức
• Điều tra khảo sát
• Mua từ đơn vị khác
▪ Điểm lưu ý khi sử dụng số liệu
• Số liệu phi thực nghiệm nên có sai số, sai sót
• Số liệu thực nghiệm cũng có sao số phép đo
• Sai sót khi sử dụng bảng hỏi, mẫu không phù hợp
• Số liệu tổng hợp không dễ phân tách
Chương 1. MÔ HÌNH HỒI QUY HAI BIẾN
▪ Giới thiệu mô hình hồi quy giữa một biến phụ thuộc
và một biến độc lập
▪ Mối quan hệ về mặt trung bình được thể hiện qua
mô hình gọi là mô hình hồi quy
▪ Mối quan hệ ở hai mức độ: Tổng thể và Mẫu

Chương 1. Mô hình hồi quy hai biến
NỘI DUNG CHƯƠNG 1

1.1. Mô hình hồi quy
1.2. Phương pháp ước lượng OLS
1.3. Tính không chệch và độ chính xác
1.4. Độ phù hợp của hàm hồi quy mẫu
1.5. Trình bày kết quả ước lượng
1.6. Một số vấn đề bổ sung

1.1. MÔ HÌNH HỒI QUY

▪ Đánh giá tác động của một biến X lên một biến Y
▪ Ví dụ: X là thu nhập, Y là chi tiêu
▪ Thể hiện quan hệ hàm số
Chi tiêu = f(Thu nhập)
▪ Đơn giản nhất là dạng tuyến tính:
Chi tiêu = β1 + β2Thu nhập
▪ Thực tế luôn có sai số
Chi tiêu = β1 + β2Thu nhập + u

Chương 1. Mô hình hồi quy hai biến 1.1. Mô hình hồi quy
Ví dụ minh họa
▪ Chi tiêu và thu nhập của một số hộ gia đình
▪ Giá và lượng bán một loại hàng tại một số cửa hàng
Consumption Quantity
••• •
• • ••• •• •
•• • •
•• • • • • • • •
• •
• • • • • •
Income Price

Mô hình hồi quy tuyến tính hai biến

▪ Tổng quát: Y = β1 + β2X + u
▪ Các biến số:
▪ Y là biến phụ thuộc (dependent variable)
▪ X là biến độc lập, biến giải thích, biến điều khiển
(independent, explanatory, control variable)
▪ Sai số ngẫu nhiên (random error): u
▪ Các hệ số hồi quy (regression coefficient): β1, β2

Hàm hồi quy tổng thể - PRF

▪ Giả thiết: E(u | X) = 0 suy ra: E(Y | X) = β1 + β2X
▪ Gọi là hàm hồi quy tổng thể - PRF (Population
Regression Function)
▪ β1 : Hệ số chặn (intercept)
▪ β2 : Hệ số góc (slope)

Ví dụ minh họa
▪ Chi tiêu (Y) và Thu nhập (X)
Y E(Y | X) 
(Y | X) 




Ví dụ minh họa
▪ Hàm PRF dạng tuyến tính
Y
u (+) 

β1  u (–)

 E(Y | X) = β1 + β2X

Hàm hồi quy mẫu - SRF

▪ Mẫu hai chiều kích thước n: {(Xi ,Yi) ; i =1÷n}
▪ Hàm trong mẫu để ước lượng cho hàm hồi quy tổng
thể, thể hiện xu thế trung bình của mẫu, có dạng:
𝑌෠ = 𝛽መ1 + 𝛽መ2 𝑋
▪ Hoặc với từng quan sát Xi
𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖
▪ Gọi là hàm hồi quy mẫu – SRF (Sample Regression
Function)

Phần dư
▪ Giá trị 𝑌෠𝑖 có sai số so với Yi
▪ Đặt: 𝑒𝑖 = 𝑌𝑖 − 𝑌෠𝑖
▪ Hay: 𝑌𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖 + 𝑒𝑖
▪ 𝛽መ1 , 𝛽መ2 là hệ số hồi quy mẫu, hệ số ước lượng, là ước
lượng (estimator) cho hệ số tổng thể β1, β2
▪ Phần dư e là phản ánh sai số u trong tổng thể
▪ Ŷi là giá trị ước lượng (fitted value) cho E(Y | Xi)

Ví dụ minh họa
▪ PRF và SRF
• Ŷi
•
• •
• • •
β1• • •
• • • β̂1 • •
• • • Yi
E(Y | X)
Xi
Tổng thể (chưa biết) Mẫu (số liệu)

Tính tuyến tính của mô hình hồi quy

▪ Dựa trên tham số: Hàm hồi quy tuyến tính (linear
regression function) nếu tuyến tính theo tham số
E(Y | X ) = 1 + 2X 2
E(Y | X ) = 1 + 2lnX
▪ Hàm hồi quy phi tuyến
1
E (Y | X )
1 2 X
E (Y | X ) 1 X  2

Tóm tắt
▪ Tổng thể: Y = 𝛽1 + 𝛽2 𝑋 + 𝑢
𝐸(𝑌|𝑋) = 𝛽1 + 𝛽2 𝑋
▪ Mẫu: 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖
𝑌𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖 + 𝑒𝑖

1.2. PHƯƠNG PHÁP ƯỚC LƯỢNG OLS

▪ Phương pháp bình phương nhỏ nhất thông thường
OLS (Ordinary Least Squares)
▪ Tìm 𝛽መ1 , 𝛽መ2 để
• 𝑅𝑆𝑆 = σ𝑛𝑖=1 𝑒𝑖2 = σ𝑛𝑖=1(𝑌𝑖2 −𝑌෠𝑖2 ) → min
▪ Với 𝑥𝑖 = 𝑋𝑖 − 𝑋ത và 𝑦𝑖 = 𝑌𝑖 − 𝑌ത
𝛽መ1 = 𝑌ത − 𝛽መ2 𝑋ത ;
σ 𝑥𝑖 𝑦𝑖
𝛽መ2 =
σ 𝑥𝑖2
1.3. TÍNH KHÔNG CHỆCH VÀ ĐỘ CHÍNH XÁC

▪ Các ước lượng ngẫu nhiên, xét tính không chệch và
hiệu quả của chúng  Các giả thiết OLS
▪ Giả thiết 1: Mẫu là ngẫu nhiên, độc lập
▪ Giả thiết 2: Kì vọng sai số ngẫu nhiên bằng 0
E(u | X ) = 0 hay E(ui | Xi ) = 0 i
▪ Giả thiết 3: Phương sai sai số ngẫu nhiên không đổi
Var(u | X ) = 2
Var(ui | Xi) = Var(uj |Xj ) i ≠ j

Chương 1. Mô hình hồi quy hai biến 1.3. Tính không chệch và độ chính xác
Tính không chệch

▪ Định lý: Khi Giả thiết 2 được thỏa mãn thì ước
lượng OLS là không chệch:
𝐸 𝛽መ1 = 𝛽1 ; 𝐸 𝛽መ1 = 𝛽1
▪ Khi các giả thiết 1 đến 3 được thỏa mãn thì:
𝜎 2 σ 𝑋𝑖2 𝜎2
𝑉𝑎𝑟 𝛽መ1 = ; 𝑉𝑎𝑟 መ2 =
𝛽
𝑛 σ 𝑥𝑖2 σ 𝑥𝑖2
▪ Phương sai sai số ngẫu nhiên σ2 ước lượng bởi:
σ 2
2
𝑒𝑖
𝜎ො =
𝑛−2

Chương 1. Mô hình hồi quy hai biến 1.3. Tính không chệch và độ chính xác
Sai số chuẩn (Standard Error)

▪ Sai số chuẩn của hồi quy (Standard Error of
regression)
σ 𝑒𝑖2
𝜎ො =
𝑛−2
▪ Sai số chuẩn của các ước lượng hệ số
𝜎ො 2 σ 𝑋𝑖2 𝜎ො 2
𝑆𝑒 𝛽መ1 = ; 𝑆𝑒 𝛽መ2 =
𝑛 σ 𝑥𝑖2 σ 𝑥𝑖2

1.4. SỰ PHÙ HỢP CỦA HÀM HỒI QUY MẪU

2
σ𝑛𝑖=1 𝑌𝑖 − 𝑌ത 2 = σ𝑛𝑖=1 𝑌෠𝑖 − 𝑌ത + σ𝑛𝑖=1 𝑒𝑖2
TSS = ESS + RSS
▪ Đặt
𝐸𝑆𝑆 𝑅𝑆𝑆
= 𝑅2
=1−
𝑇𝑆𝑆 𝑇𝑆𝑆
▪ R 2 là hệ số xác định (coefficient of determination)
▪ Ý nghĩa: Hệ số xác định cho biết tỉ lệ (%) sự biến
động của biến phụ thuộc trong mẫu được giải thích
bởi mô hình (bởi sự biến động của biến độc lập)

1.5. TRÌNH BÀY KẾT QUẢ ƯỚC LƯỢNG

▪ Ví dụ với Y là lương, X là số năm kinh nghiệm
• Ŷi = 2,23 + 1,65 Xi
• Se (0,5) (0,192)
• n=5 RSS = 0,677 R2 = 0,961

Chương 1. Mô hình hồi quy hai biến 1.5. Trình bày kết quả ước lượng
Bảng kết quả Microsoft Excel

SUMMARY OUTPUT
Regression Statistics
Multiple R 0.980
R Square 0.961
Adjusted R sq 0.948
Standard Error 0.436
Observations 5
ANOVA
df SS MS F Sig. F
Regression 1 14.223 14.223 73.96 0.003
Residual 3 0.577 0.192
Total 4 14.8
Coef. S.Error t Stat P-value Lower 95% Upper 95%
Intercept 2.231 0.501 4.448 0.021 0.635 3.827
X 1.654 0.192 8.6 0.003 1.042 2.266
Chương 1. Mô hình hồi quy hai biến 1.5. Trình bày kết quả ước lượng
Bảng kết quả Eviews

Dependent varible: Y Method: Least Squares
Sample: 1 5 Included observation: 5
Variable Coef. Std.Error t-Statistic Prob.
C 2.230769 0.501477 4.448397 0.0211
X 1.653846 0.192308 8.600000 0.0033
R-squared 0.961019 Mean dep. var 6.2
Adjusted R-sq 0.948025 S.D dep. var 1.923538
S.E.of regression 0.438529 Akaike info criterion
Sum squared resid 0.576923 Schwarz criterion
Log likelihood F-statistic 73.96
Durbin-Watson stat Prob(F-statistic) 0.003305
1.6. MỘT SỐ VẤN ĐỀ BỔ SUNG

Vấn đề hệ số chặn
▪ Không phải lúc nào cũng có ý nghĩa kinh tế
▪ Khi không có ý nghĩa, không phân tích hệ số chặn
▪ Hệ số chặn có ý nghĩa kĩ thuật, để tránh các sai lệch
▪ Nếu không có hệ số chặn, R 2 mất ý nghĩa
Vấn đề về đơn vị của các biến
▪ Khi biến độc lập/phụ thuộc thay đổi về đơn vị thì
các hệ số cũng thay đổi theo

Tóm tắt chương 1

▪ Khái niệm hồi quy và các biến
▪ Hàm hồi quy tổng thể, hồi quy mẫu
▪ Các hệ số và ước lượng hệ số
▪ Các sai số chuẩn
▪ Các giả thiết OLS
▪ Hệ số xác định và ý nghĩa

Chương 2. MÔ HÌNH HỒI QUY BỘI
▪ Đặt k là số hệ số có trong mô hình
▪ Với k = 2 là hồi quy đơn (single-regression)
▪ Với k  2: hai biến độc lập trở lên, gọi là hồi quy bội
(multi-regression) hay hồi quy đa biến (multivariate
regression)

Chương 2. Mô hình hồi quy bội

▪ 2.1. Sự cần thiết của hồi quy bội
▪ 2.2. Phương pháp ước lượng OLS
▪ 2.3. Sự phù hợp của hàm hồi quy
▪ 2.4. Một số dạng mô hình hồi quy

2.1. SỰ CẦN THIẾT CỦA HỒI QUY BỘI

▪ Hồi quy đơn: Y = β1 + β2X + u
▪ Yếu tố có tương quan với X trong u, giả sử là Z
▪ Z là biến độc lập mới, mô hình có dạng
Y = β1 + β2X + β3Z + u
▪ Hồi quy đơn hạn chế về dạng hàm
▪ Hồi quy bội có dạng hàm phù hợp hơn, dự báo tốt
hơn
▪ Phong phú hơn trong phân tích kinh tế

Chương 2. Mô hình hồi quy bội 2.1. Sự cần thiết của hồi quy bội
Mô hình hồi quy k biến

▪ Mô hình có (k – 1) biến độc lập, k hệ số:
𝑌 = 𝛽1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝑢
𝐸(𝑌|𝑋2 , … 𝑋𝑘 ) = 𝛽1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + ⋯ + 𝛽𝑘 𝑋𝑘
• Hệ số chặn: 𝛽1 = 𝐸 𝑌 𝑋2 = ⋯ = 𝑋𝑘 = 0
• Hệ số góc: 𝛽𝑗 (j = 2,…, k): tác động riêng của Xj
• Nếu 𝛽2 = ⋯ = 𝛽𝑘 = 0: hàm hồi quy không phù
hợp

2.2. PHƯƠNG PHÁP ƯỚC LƯỢNG OLS

▪ Tìm 𝛽መ𝑗 sao cho
 
n n 2
RSS   e   Yi  ˆ1  ˆ2 X 2i  ...  ˆk X ki
2
i  min
i 1 i 1
▪ Giải hệ k phương trình bậc nhất k ẩn

▪ Cách giải qua ma trận
▪ Để giải được nghiệm: các biến độc lập không được
có quan hệ cộng tuyến hoàn toàn với nhau

Chương 2. Mô hình hồi quy bội 2.2. Phương pháp ước lượng OLS
Các giả thiết OLS

▪ Giả thiết 1: Mẫu là ngẫu nhiên, độc lập
(X2i ,…, Xki ,Yi), i = 1,2,…, k là độc lập
▪ Giả thiết 2: Kì vọng sai số ngẫu nhiên bằng 0
E(u | X2 ,…, Xk ) = 0 hay E(ui | X2i ,…, Xki) = 0
Var(u | X2,…, Xk) = 2
▪ Giả thiết 4: Các biến độc lập không có quan hệ cộng
tuyến hoàn hảo
Định lý Gauss – Markov

▪ Định lý: Khi các giả thiết 1 đến 4 được thỏa mãn thì
các ước lượng OLS là các ước lượng tuyến tính,
không chệch, tốt nhất (trong lớp các ước lượng
tuyến tính không chệch)
▪ 𝛽መ𝑗𝑂𝐿𝑆 là BLUE: Best Linear Unbiased Estimator

▪ 𝛽መ𝑗𝑂𝐿𝑆 là ước lượng tuyến tính, không chệch, tốt nhất
của βj (j = 1  k )

Độ chính xác của ước lượng OLS

▪ Phương sai sai số ngẫu nhiên được ước lượng bởi
2
𝑅𝑆𝑆
𝜎ො =
𝑛−𝑘
▪ Thay 𝜎ො 2 vào công thức 𝑉𝑎𝑟(𝛽መ𝑗 ), được 𝑉𝑎𝑟
෢ 𝛽መ𝑗
▪ Sai số chuẩn của ước lượng: 𝑆𝑒 𝛽መ𝑗 = ෢ 𝛽መ𝑗

𝑉𝑎𝑟
▪ Tính được các hiệp phương sai của các cặp ước
lượng hệ số: 𝐶𝑜𝑣 𝛽መ𝑗 , 𝛽መ𝑠 , 𝑗 ≠ 𝑠

2.3. SỰ PHÙ HỢP CỦA HÀM HỒI QUY MẪU

▪ Hệ số xác định (bội)
𝟐
𝐸𝑆𝑆 𝑅𝑆𝑆
𝑹 = =1−
𝑇𝑆𝑆 𝑇𝑆𝑆
▪ R2  [0,1]
▪ Cho biết tỉ lệ (%) sự biến động trong mẫu của biến
phụ thuộc được giải thích bởi mô hình (bởi sự biến
động của tất cả các biến độc lập).
▪ R2 = 0: tất cả các biến độc lập đều không giải thích
2
▪ 𝑅2 = 𝑟 ෠
𝑌,𝑌

Chương 2. Mô hình hồi quy bội 2.3. Sự phù hợp của hàm hồi quy mẫu
Hệ số xác định (bội) điều chỉnh

▪ Thêm biến độc lập  R2 tăng lên
▪ Mô hình có R2 lớn hơn chưa chắc tốt hơn
▪ Hệ số xác định điều chỉnh (Adjuted R-squared)
2 RSS /(n  k ) 2 n1
R 1  1  (1  R )
TSS /(n  1) nk

2.4. MỘT SỐ DẠNG MÔ HÌNH HỒI QUY

▪ Xét các mô hình kinh tế đưa được về hồi quy tuyến
tính theo hệ số
▪ Hàm tuyến tính (linear-linear)
▪ Hàm logarit (log-log)
▪ Hàm nửa logarit (lin-log và log-lin)
▪ Hàm đa thức theo biến độc lập

Chương 2. Mô hình hồi quy bội 2.4. Một số dạng mô hình hồi quy
Mô hình dạng tuyến tính theo biến

▪ Còn gọi là linear-linear
▪ Ví dụ: Hàm cầu tiêu dùng hàng hóa:
𝐷𝐴 = 𝛽1 + 𝛽2 𝑌𝑑 + 𝛽3 𝑃 + 𝛽4 𝑃𝑆 + 𝛽5 𝑃𝐶 + 𝑢
• Với DA là lượng cầu hàng hóa A, Yd là thu nhập
khả dụng, PA là giá hàng hóa A, PS là giá hàng hóa
thay thế, PC là giá hàng hóa bổ sung

Mô hình dạng log-log

▪ Hàm sản xuất Cobb-Douglas: 𝑄 = 𝐴. 𝐾𝛽2 𝐿𝛽3
▪ Thêm sai số: 𝑄 = 𝐴. 𝐾𝛽2 𝐿𝛽3 𝑒 𝑢
▪ Logarit: ln 𝑄 = ln 𝐴 + 𝛽2 ln 𝐾 + 𝛽3 ln 𝐿 + 𝑢
▪ Tổng quát: ln 𝑌 = 𝛽1 + 𝛽2 ln 𝑋2 + ⋯ +
𝛽𝑘 ln 𝑋𝑘 + 𝑢

Mô hình dạng lin-log và log-lin

▪ Mô hình lin-log:
Y = β1 + β2 ln(X) + u
• Khi X tăng 1% thì Y tăng (β2 / 100) đơn vị
▪ Mô hình log-lin còn gọi là mô hình tăng trưởng
(growth) :
ln(Y) = β1 + β2 X + u hay 𝑌 = 𝑒 𝛽1+𝛽2𝑋+𝑢
• Khi X tăng 1 đơn vị thì Y tăng 100β2%

Mô hình hình dạng đa thức

▪ Mô hình dạng bậc 2: Y = β1 + β2X + β3X 2 + u
▪ Tác động của X: dY/dX = β2 + 2β3X
▪ Cực trị parabol tại X0 = –β2 / (2β3)
β3 β2 Khi X tăng (Chỉ xét X > 0)

(+) (+) Y tăng nhanh dần
(+) (–) Y giảm về đáy rồi tăng
(–) (+) Y giảm nhanh dần
(–) (–) Y tăng đến đỉnh rồi giảm

Mô hình dạng đa thức

▪ Mô hình dạng nghịch đảo của biến độc lập
Y = β1 + β2 (1 / X) + u
• Y tiệm cận β1 khi X rất lớn
• X tăng: β2 > (<) 0: Y giảm (tăng) chậm dần về β1
▪ Mô hình có tương tác giữa các biến độc lập
Y = β1 + β2X + β3Z + β3 X*Z + u
• Tác động của X đến Y phụ thuộc vào độ lớn của Z;
tác động của Z đến Y phụ thuộc độ lớn của X


▪ Mô hình hồi quy k biến
▪ Ý nghĩa các hệ số
▪ Các giả thiết OLS và tính BLUE
▪ Hệ số xác định và hệ số xác định điều chỉnh
▪ Các dạng hàm: tuyến tính, logarit, nửa logarit, đa
thức

Chương 3. SUY DIỄN THỐNG KÊ & DỰ BÁO
▪ Các chương trước sử dụng trực tiếp 𝛽መ𝑗 để phân tích,

là sử dụng ước lượng điểm, chỉ phản ánh xu thế của
mẫu, chưa phải của tổng thể.
▪ Các bài toán suy diễn thống kê: ước lượng khoảng
(khoảng tin cậy), kiểm định giả thuyết về tham số
tổng thể  phân tích cho tổng thể
▪ Gắn với mức xác suất nhất định (1 – α) hay α
▪ Phân tích với quả từ phần mềm chuyên dụng

Chương 3. Suy diễn thống kê và dự báo

▪ 3.1. Quy luật phân phối xác suất
▪ 3.2. Khoảng tin cậy của các hệ số
▪ 3.3. Kiểm định T về các hệ số
▪ 3.4. Kiểm định F về các hệ số
▪ 3.5. Kiểm định 2 về các hệ số
▪ 3.6. Dự báo biến phụ thuộc

3.1. QUY LUẬT PHÂN PHỐI XÁC SUẤT

▪ MH k biến: 𝑌 = 𝛽1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝑢
▪ Mẫu: 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋2𝑖 + 𝛽መ3 𝑋3𝑖 + ⋯ + 𝛽መ𝑘 𝑋𝑘𝑖
▪ Giả thiết 5: Sai số ngẫu nhiên phân phối Chuẩn
▪ ui ~ N(0, σ2)
▪ Khi đó: 𝛽መ𝑗 ~𝑁 𝛽𝑗 , 𝑉𝑎𝑟 𝛽መ𝑗
▪ Chứng minh được:
𝛽መ𝑗 − 𝛽𝑗 𝛽መ𝑗 − 𝛽𝑗
~𝑁 0,1 và ~𝑇 𝑛 − 𝑘
𝑆𝑒(𝛽መ𝑗 )
𝑉𝑎𝑟𝛽መ𝑗

3.2. KHOẢNG TIN CẬY CỦA CÁC HỆ SỐ

▪ Với độ tin cậy (1 – α), khoảng tin cậy đối xứng, tối
đa, tối thiểu của βj (j = 1,…,k ):
▪ Đối xứng
𝑛−𝑘 𝑛−𝑘
𝛽መ𝑗 − 𝑆𝑒 𝛽መ𝑗 𝑡𝜶/𝟐 < 𝛽𝑗 < 𝛽መ𝑗 + 𝑆𝑒 𝛽መ𝑗 𝑡𝜶/𝟐
𝑛−𝑘
▪ Tối đa: 𝛽𝑗 < 𝛽መ𝑗 + 𝑆𝑒 𝛽መ𝑗 𝑡𝜶
መ መ 𝑛−𝑘
▪ Tối thiểu: 𝛽𝑗 − 𝑆𝑒 𝛽𝑗 𝑡𝜶 < 𝛽𝑗

Chương 3. Suy diễn thống kê và dự báo 3.2. Khoảng tin cậy của các hệ số
Khoảng tin cậy nhiều hệ số

▪ Cho hai hệ số hồi quy, chẳng hạn β2 và β3
መ መ መ መ 𝑛−𝑘
𝛽2 ± 𝛽3 − 𝑆𝑒 𝛽2 ± 𝛽3 𝑡𝛼/2 < β2 ± β3
𝑛−𝑘
< 𝛽መ2 ± 𝛽መ3 + 𝑆𝑒 𝛽መ2 ± 𝛽መ3 𝑡𝛼/2
▪ Với: 𝑆𝑒 𝛽መ2 ± 𝛽መ3 = 𝑉𝑎𝑟 𝛽መ2 ± 𝛽መ3
= 𝑉𝑎𝑟(𝛽መ2 ) + 𝑉𝑎𝑟(𝛽መ3 ) ± 2𝐶𝑜𝑣(𝛽መ2 , 𝛽መ3 )
▪ Mở rộng cho aβ2 + bβ3 ; β2, β3, β4…

3.3. KIỂM ĐỊNH T VỀ HỆ SỐ HỒI QUY

▪ Kiểm định so sánh βj chưa biết với số thực βj*
Tiêu chuẩn Cặp giả thuyết Bác bỏ H0
H0: 𝛽𝑗 = 𝛽𝑗∗ 𝑛−𝑘
𝑇𝑞𝑠 > 𝑡𝛼/2
H1: 𝛽𝑗 ≠ 𝛽𝑗∗
𝛽መ𝑗 − 𝛽𝑗∗ H0: 𝛽𝑗 = 𝛽𝑗∗ 𝑛−𝑘
𝑇𝑞𝑠 = 𝑇𝑞𝑠 > 𝑡𝛼
𝑆𝑒(𝛽መ𝑗 ) H1: 𝛽𝑗 > 𝛽𝑗∗
H0: 𝛽𝑗 = 𝛽𝑗∗ 𝑛−𝑘
𝑇𝑞𝑠 < −𝑡𝛼
H1: 𝛽𝑗 < 𝛽𝑗∗

Chương 3. Suy diễn thống kê và dự báo 3.3. Kiểm định T về hệ số hồi quy
Kiểm định T về nhiều hệ số

▪ Kiểm định cho β2  β3 :
H0: 𝛽2 ± 𝛽3 = 𝛽∗
H1: 𝛽2 ± 𝛽3 ≠ 𝛽∗
▪ Thống kê
𝛽መ2 ± 𝛽መ3 − 𝛽 ∗
𝑇=
𝑆𝑒 𝛽መ2 ± 𝛽መ3
▪ Quy tắc kiểm định giống với một hệ số hồi quy
▪ Tương tự, mở rộng cho nhiều hệ số hồi quy

Chương 3. Suy diễn thống kê và dự báo 3.3. Kiểm định T về hệ số hồi quy
P-value của kiểm định T

▪ Với một cặp giả thuyết, một mẫu cụ thể  𝛼 * là mức
xác suất thấp nhất để bác bỏ H0
▪ Mức xác suất đó là P-value (Prob. ; Sig. value)
▪ Quy tắc
• Nếu P-value < 𝛼 thì bác bỏ H0
• Nếu P-value > 𝛼 thì chưa có cơ sở bác bỏ H0
▪ Kiểm định hai phía: P-value = 2P(T(n – k) > |Tqs|)

3.4. KIỂM ĐỊNH F

▪ Ví dụ: Y = β1 + β2X2 + β3X3 + β4X4 + u (1)
▪ Kiểm định H0: β3 = 0 đồng thời β4 = 0
H1: ít nhất một hệ số khác 0
▪ Hay: H0: 𝛽3 = 𝛽4 =0
H1: 𝛽32 + 𝛽42 ≠0
▪ Gọi là kiểm định ràng buộc, số ràng buộc bằng 2
▪ Không thể dùng kiểm định T
▪ Nếu H0 đúng, 2 ràng buộc đúng, thì mô hình là
Y = β1 + β2X2 + u (2)
Chương 3. Suy diễn thống kê và dự báo 3.4. Kiểm định F
Kiểm định F về các ràng buộc

▪ Kiểm định T: chỉ 1 ràng buộc về hệ số (1 dấu = ở H0)
▪ Kiểm định F: cho m ràng buộc (m  1) cùng lúc
▪ Mô hình gốc: Y = β1 + β2X2 + β3X3 +…+ βkXk +u
▪ Gọi là mô hình không có ràng buộc (U : unrestricted)
▪ Nếu có m ràng buộc, làm giảm số hệ số của mô hình
(U), được về mô hình ít hệ số hơn: mô hình có ràng
buộc (R : restricted)


▪ MH (U): Y = β1 + β2X2 + β3X3 +…+ βkXk +u
• H0: m ràng buộc là đúng, MH (R) là đúng
• H1: ít nhất 1 ràng buộc sai, MH (U) là đúng
▪ Thống kê F
(𝑅𝑆𝑆𝑅 − 𝑅𝑆𝑆𝑈 )/𝑚
𝐹=
𝑅𝑆𝑆𝑈 /(𝑛 − 𝑘𝑈 )
▪ Nếu 𝐹𝑞𝑠 > 𝑓𝛼 (𝑚, 𝑛 − 𝑘𝑈 ) thì bác bỏ H0


▪ Nếu hai mô hình (U) và (R) cùng biến phụ thuộc:
(𝑅𝑈2 − 𝑅𝑅2 )/𝑚
𝐹=
(1 − 𝑅𝑈2 )/(𝑛 − 𝑘𝑈 )
▪ Các ràng buộc có thể là
• Kiểm định bớt biến: (U) là trước khi bớt, (R) là
sau khi bớt biến
• Kiểm định thêm biến: (R) là trước khi thêm, (U)
là sau khi thêm
• Kiểm định các đẳng thức bậc nhất khác

Kiểm định F về sự phù hợp của mô hình

▪ Là kiểm định quan trọng nhất với các mô hình
▪ Mô hình:Y = β1 + β2X2 + β3X3 +…+ βkXk + u
H0: β2 = … = βk = 0 : hàm hồi quy không phù hợp
H1: ít nhất một hệ số góc ≠ 0: hàm hồi quy phù hợp
▪ Kiểm định F
𝑅𝑈2 /(𝑘 − 1)
𝐹=
(1 − 𝑅𝑈2 )/(𝑛 − 𝑘)
▪ Nếu 𝐹𝑞𝑠 > 𝑓𝛼 (𝑘 − 1, 𝑛 − 𝑘) thì bác bỏ H0

3.6. DỰ BÁO BIẾN PHỤ THUỘC

▪ Với hồi quy 2 biến: Y = 1 + 2X + u
▪ Tại X = X0
▪ Ước lượng điểm: 𝑌෠0 = 𝛽መ1 + 𝛽መ2 𝑋0
▪ Ước lượng khoảng:
𝑛−𝑘 𝑛−𝑘
𝑌෠0 − 𝑆𝑒 𝑌෠0 𝑡𝛼/2 < 𝑌0 < 𝑌෠0 + 𝑆𝑒 𝑌෠0 𝑡𝛼/2
▪ Trong đó:
1 𝑋0 − 𝑋ത 2
𝑆𝑒 𝑌෠0 = + 𝑛
𝑛 σ𝑖=1 𝑋𝑖 − 𝑋ത 2

Chương 3. Suy diễn thống kê và dự báo 3.5. Dự báo biến phụ thuộc
Sai số dự báo
▪ Tiêu chí: giá trị ước lượng Ŷi gần giá trị thực Yi
▪ Sử dụng m giá trị để đánh giá. Thường lấy m = n
m
1
RMSE 
m i 1
 i i
(Yˆ  Y ) 2
m
1
MAE  
mi
| Yˆi Yi |
1
1 Yˆi Yi
m
MAPE   (100%)
m i 1 Yi

Tóm tắt Chương 3

▪ Giả thiết: Sai số ngẫu nhiên phân phối chuẩn
▪ Khoảng tin cậy cho từng hệ số, nhiều hệ số
▪ Kiểm định T về các hệ số, hệ số có ý nghĩa thống kê
▪ Kiểm định F về hệ số và sự phù hợp
▪ Kiểm định thêm, bớt biến, ràng buộc
▪ Dự báo và đánh giá sai số dự báo

Chương 4. HỒI QUY VỚI BIẾN ĐỊNH TÍNH
▪ Các biến xét trong chương trước là biến định lượng:
đo lường và có đơn vị.
▪ Có các yếu tố định tính cũng tác động đến biến phụ
thuộc, cần đưa vào mô hình

Chương 4. Hồi quy với biến định tính

▪ 4.1. Biến định tính và Biến giả
▪ 4.2. Mô hình biến độc lập là định lượng và biến giả
▪ 4.3. Mô hình có biến tương tác
▪ 4.4. Kiểm định sự ổn định của hàm hồi quy

4.1. BIẾN ĐỊNH TÍNH – BIẾN GIẢ

▪ Biến định tính không có đơn vị, có thể mã hóa qua
con số, nhưng không phải đại lượng đo lường
▪ Biến định tính có từ 2 phạm trù trở lên, xét biến
định tính tác động đến biến phụ thuộc (định lượng)
như thế nào?
▪ Ví dụ: Giới tính (Nam, Nữ) có tác động đến Thu
nhập trung bình của người lao động trong cùng một
ngành nghề không? Nếu có thì tác động như thế nào

Chương 4. Hồi quy với biến định tính 4.1. Biến định tính – biến giả
Biến giả
▪ Biến phụ thuộc Y
▪ Nếu biến định tính có 2 trạng thái A và Ā
▪ Đặt biến giả D = 1 nếu quan sát ở A
D = 0 nếu quan sát ở Ā
▪ Mô hình: Y = β1 + β2D +u
• Tại A: Y = β1 + β2 +u
• Tại Ā: Y = β1 +u
▪ Nếu β2  0: Biến định tính có tác động đến Y

4.2. BIẾN ĐỘC LẬP LÀ ĐỊNH LƯỢNG & BIẾN GIẢ
▪ Biến phụ thuộc Y, biến độc lập định lượng X

▪ Biến định tính có 2 phạm trù A và Ā
▪ Đặt D = 1 nếu ở A; D = 0 nếu ở Ā
▪ Mô hình: Y = β1 + β2D + β3X + u
• Tại A: Y = (β1 + β2) + β3X + u
• Tại Ā : Y= β1 + β3X + u
▪ Nếu β2  0 : hệ số chặn là khác nhau, hàm hồi quy Y
theo X song song

4.3. MÔ HÌNH CÓ BIẾN TƯƠNG TÁC

▪ Biến phụ thuộc Y, biến độc lập định lượng X
▪ Biến định tính có 2 phạm trù A và Ā
▪ Đặt D = 1 nếu ở A; D = 0 nếu ở Ā
▪ Mô hình: Y = β1 + β2D + β3X + β4D *X +u
• Tại A: Y = (β1 + β2) + (β3 + β4)X +u
• Tại Ā : Y= β1 + β3X +u
• Nếu β2  0 : hệ số chặn là khác nhau
• Nếu β4  0 : hệ số góc là khác nhau
• Nếu β2 = β4 = 0 : hàm hồi quy đồng nhất
4.4. KIỂM ĐỊNH SỰ ỔN ĐỊNH

▪ Mô hình gốc: Y = [Hệ số chặn] + [Hệ số góc]X + u
▪ Có hai phạm trù A và Ā
• Tại A: Y = α1 + α2X + u
• Tại Ā: Y = β1 + β2X + u
▪ Kiểm định: H0: α1 = β1 và α2 = β2 :
H1: ít nhất một cặp hệ số khác nhau
▪ H0: hàm hồi quy ổn định (stability: đồng nhất trong
hai trường hợp A và Ā)
▪ Có thể dùng suy luận từ biến giả

Chương 4. Hồi quy với biến định tính 4.4. Kiểm định sự ổn định
Kiểm định Chow

▪ Trong A: mẫu kích thước n1  RSS(1)
▪ Trong Ā: mẫu kích thước n2  RSS(2)
▪ Gộp hai mẫu, kích thước n = n1 + n2  RSS
▪ Kiểm định F
F
 RSS  (RSS (1)  RSS(2) ) / k
(RSS(1)  RSS(2) )/(n  2k )
▪ Nếu 𝐹𝑞𝑠 > 𝑓𝛼 (𝑘, 𝑛 − 2𝑘) thì bác bỏ H0
▪ Thống kê F kiểm định Chow và kiểm định thu hẹp
biến giả là bằng nhau


▪ Biến định tính – các phạm trù
▪ Biến giả và phân tích
▪ Biến giả tương tác với biến định lượng
▪ Nhiều biến giả
▪ Sự đồng nhất của hàm hồi quy

Chương 5. KIỂM ĐỊNH LỰA CHỌN MÔ HÌNH
▪ Các phân tích suy diễn dựa trên các giả thiết OLS
▪ Nếu các giả thiết không được thỏa mãn thì các tính
chất có thể bị ảnh hưởng, các suy diễn có thể sai
▪ Để đảm bảo việc sử dụng các ước lượng là đúng
đắn, cần đánh giá mô hình qua các kiểm định về các
giả thuyết

Chương 5. Kiểm định và lựa chọn mô hình

▪ 5.1. Cơ sở đánh giá lựa chọn
▪ 5.2. Kỳ vọng sai số ngẫu nhiên khác 0
▪ 5.3. Phương sai sai số thay đổi
▪ 5.4. Sai số ngẫu nhiên không phân phối chuẩn
▪ 5.5. Đa cộng tuyến
▪ 5.6. Biến không thích hợp

5.1. CƠ SỞ ĐÁNH GIÁ

▪ Mô hình gốc: Y = β1 + β2X2 + β3X3 + u
▪ Về mặt lý thuyết kinh tế:
• Biến độc lập có ý nghĩa, có trong lý thuyết
• Dạng hàm phù hợp lý thuyết
• Dấu hệ số phù hợp lý thuyết

Chương 5. Kiểm định và lựa chọn mô hình 5.1. Cơ sở đánh giá
Cơ sở đánh giá về thống kê

▪ Về mặt thống kê: ước lượng là không chệch hiệu quả
và phân tích suy diễn là chính xác, đáng tin cậy
• Giả thiết 2: Kỳ vọng sai số: E(u | X) = 0
• Giả thiết 3: Phương sai sai số: Var(u | X)  σ2
• Giả thiết 4: Không có quan hệ cộng tuyến
• Giả thiết 5: Sai số phân phối chuẩn

5.2. KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0

▪ Xét mô hình gốc: Y = β1 + β2X2 + β3X3 + u
▪ Giả thiết 2: E(u | X2, X3)=0
▪ Suy ra: E(u) = 0 và Corr(Xj, u) = 0
▪ Nếu giả thiết bị vi phạm, ước lượng mất tính không
chệch

Chương 5. Kiểm định và lựa chọn mô hình 5.2. Kỳ vọng sai số ngẫu nhiên khác 0
Nguyên nhân và hậu quả

▪ Nguyên nhân
• Mô hình thiếu biến quan trọng
• Dạng hàm sai
• Tính tác động đồng thời của số liệu
• Sai số đo lường của các biến độc lập
▪ Hậu quả:
• Ước lượng OLS là ước lượng chệch
• Các suy diễn không đáng tin cậy

Ước lượng chệch khi thiếu biến

▪ Mô hình đủ biến: Y = β1 + β2X2 + β3X3 + u
▪ Mô hình thiếu biến: Y = β1 + β2X2 + u
▪ Dùng MH thiếu biến thì ước lượng β2 bị chệch
X2 X3 tương quan dương X2 X3 tương quan âm
r23 > 0 r23 < 0
ƯL 2 chệch lên ƯL 2 chệch xuống
3 > 0 𝐸 𝛽መ2 > 𝛽2 𝐸 𝛽መ2 < 𝛽2
ƯL 2 chệch xuống ƯL 2 chệch lên
3 < 0 𝐸 𝛽መ2 < 𝛽2 𝐸 𝛽መ2 > 𝛽2
Phát hiện mô hình bỏ sót biến

▪ Nếu số liệu có sẵn các biến: đưa vào và kiểm định
bởi kiểm định T, F
▪ Nếu không có sẵn các biến: dựa trên các biến có sẵn,
các biến được tạo ra từ kết quả ước lượng để đưa
vào mô hình:
• Các biến bậc cao của biến độc lập có sẵn
• Các biến căn, nghịch đảo (cần phù hợp lý thuyết)
• Từ ước lượng của biến phụ thuộc

Kiểm định Ramsey (RESET)

▪ Xét mô hình: Y = 1 + 2X2 + 3X3 + u (1)
▪ Ước lượng (1) thu được Ŷ, thêm vào (1) được:
Y = (1 + 2X2 + 3X3) + 1Ŷ 2 +…+ mŶ m+1 + u (2)
H0: 1 =… = m = 0
H1: Ít nhất một hệ số j ≠ 0 (j = 1,…, m)
Hay: H0: MH (1) dạng hàm đúng, không thiếu biến
H1: MH (1) dạng hàm sai, thiếu biến
▪ Dùng kiểm định F, 2, hoặc T (khi thêm 1 biến)

Một số biện pháp khắc phục

▪ Nếu thiếu biến: thêm biến độc lập (có thể là mũ bậc
cao của biến đang có)
▪ Nếu dạng hàm sai: đổi dạng hàm
▪ Dùng biến đại diện (proxy): Nếu thiếu biến Z nhưng
có Z* là đại diện cho Z và có tương quan với Z thì
dùng để thay thế
▪ Sử dụng biến công cụ (instrumental variable)

5.3. PHƯƠNG SAI SAI SỐ THAY ĐỔI

▪ Mô hình: Y = 1 + 2X2 +3 X3 + u
(homoscedasticity)
Var(u | X2i , X3i)  σ2
▪ Nếu giả thiết bị vi phạm:
Var(u | X2i , X3i)  Var(u | X2i* , X3i*)
Mô hình có phương sai sai số (PSSS) thay đổi
(heteroskedasticity)

Chương 5. Kiểm định và lựa chọn mô hình 5.3. Phương sai sai số thay đổi
Nguyên nhân - Hậu quả của PSSS thay đổi

▪ Nguyên nhân:
• Bản chất số liệu
• Thiếu biến quan trọng, dạng hàm sai
▪ Hậu quả
• Các ước lượng OLS vẫn là không chệch
• Phương sai của ước lượng hệ số là chệch
• Sai số chuẩn SE là chệch
• Khoảng tin cậy, kiểm định T có thể sai
• Các ước lượng OLS không còn là ước lượng hiệu
quả, không phải tốt nhất
Kiểm định phát hiện PSSS thay đổi

▪ Var(u | X2i , X3i) = E(u | X2i , X3i)2 chưa biết, dùng bình
phương phần dư ei2 đại diện
▪ Có thể dùng đồ thị phần dư
▪ Ý tưởng kiểm định: Cho rằng yếu tố nào là nguyên
nhân, thì hồi quy ei2 theo yếu tố đó.
▪ Nếu hệ số góc của hồi quy phụ có ý nghĩa  ei2 thay
đổi theo đó  PSSS thay đổi
▪ Có thể khắc phục theo yếu tố đã kiểm định

Kiểm định BPG

▪ Mô hình ban đầu: Y = 1 + 2X2 +3 X3 + u (1)
▪ Ước lượng thu được phần dư ei
▪ Hồi quy phụ: ei2 = 1 + 2X2i + 3X3i + vi
H0: 2 = 3 = 0
H1: 22 + 32  0
2
▪ Dùng kiểm định F, tính với 𝑅(hồi quy phụ)
2
▪ Kiểm định 𝜒 2 : 𝜒 2 = 𝑛 × 𝑅(hồi quy phụ) , bậc tự do = k
▪ Nếu bác bỏ H0: MH (1) có PSSS thay đổi

Kiểm định White

▪ Mô hình ban đầu: Y = 1 + 2X2 +3 X3 + u (1)
▪ Kiểm định không có tích chéo thì hồi quy phụ:
𝑒 2 = 𝛼1 + 𝛼2 𝑋2 + 𝛼3 𝑋3 + 𝛼4 𝑋22 + 𝛼5 𝑋32 + 𝑣
▪ Kiểm định có tích chéo:
𝑒 2 = 𝛼1 + 𝛼2 𝑋2 + 𝛼3 𝑋3 + 𝛼4 𝑋22 + 𝛼5 𝑋32 + 𝜶𝟔 𝑿𝟐 𝑿𝟑 + 𝑣
▪ Nếu có j  0 (j  1) thì MH (1) có phương sai sai số
thay đổi
▪ Dùng kiểm định F hoặc 𝜒 2

Kiểm định khác

▪ Kiểm định Harvey:
ln(ei2 ) = 1 + 2X2i + 3X3i + (…) + vi
▪ Kiểm định Gleijer:
| ei | = 1 + 2X2i + 3X3i + (…) + vi
▪ Kiểm định Park:
ln(ei2 ) = 1 + 2ln(X2i ) + 3ln(X3i ) + vi
▪ Kiểm định Koenker-Bass
ei2 = 1 + 2 Ŷi2 + vi

Khắc phục PSSS thay đổi

▪ Phương pháp bình phương nhỏ nhất tổng quát GLS
▪ Mô hình gốc: Yi = 1 + 2X2i +3 X3i + ui (1)
▪ Có PSSS thay đổi: Var(ui ) = σi2
▪ Giả sử biết phương sai sai số σi2
▪ Chia (1) cho σi :
Yi 1 X 2i X 3i ui
 β1  β2  β3  (2)
σi σi σi σi σ i
Yi*  β1 X 0i  β2 X 2*i  β3 X 3*i  ui*
▪ Mô hình (2) có phương sai Var(ui*)  1
Phương pháp GLS

▪ Thực tế không biết σi2
▪ Giả sử biết dạng nguyên nhân thay đổi của nó
2
▪ Nếu nguyên nhân là X2i , có dạng: 𝑉𝑎𝑟 𝑢𝑖 = 𝜎 2 𝑋2𝑖
Chia cho X2i:
Yi 1 X 3i ui
 β1  β2  β3  (3)
X 2i X 2i X 2i X 2i
Yi*  β1 X 0i  β2  β3 X 3*i  ui*
▪ Lưu ý về hệ số chặn
▪ Cho rằng yếu tố nào gây thay đổi: chia cho căn của nó

Ước lượng lại sai số chuẩn

▪ Khi có PSSS thay đổi, ước lượng là không chệch
▪ Chỉ cần ước lượng lại các sai số chuẩn SE
▪ Phương pháp sai số chuẩn vững (robust SE)
▪ Phương pháp của White
Var( ˆ j )   jiei
x 2 2
 x  2 2
ji

5.4. SAI SỐ KHÔNG PHÂN PHỐI CHUẨN

▪ Giả thiết 5: (u | X) ~ N(0 , σ2)
▪ Nếu giả thiết không được thỏa mãn thì các suy diễn
dùng thống kê T, F có thể sai
▪ Nếu n đủ lớn thì có thể bỏ qua giả thiết này
▪ Dùng kiểm định Jacques- Berra đối với phần dư e
H0: sai số ngẫu nhiên phân phối Chuẩn
H1: sai số ngẫu nhiên không phân phối Chuẩn
▪ Kiểm định JB, so sánh với 2(2)

5.5. HIỆN TƯỢNG ĐA CỘNG TUYẾN

▪ Mô hình: Y = 1 + 2X2 + … + k Xk + u (1)
▪ Giả thiết 4: Không được có quan hệ đa cộng tuyến
hoàn hảo (perfect multicollinearity)
▪ Nếu có đa cộng tuyến hoàn hảo: không ước lượng
được các hệ số
▪ Thường gặp Đa cộng tuyến không hoàn hảo nhưng
“cao” (imperfect but high multicollinearity)

Chương 5. Kiểm định và lựa chọn mô hình 5.5. Đa cộng tuyến
Đa cộng tuyến cao

▪ Một biến độc lập (giả sử Xk) phụ thuộc các biến còn
lại với mức độ cao
Xk = 1 + 2X2 +…+ k – 1X k – 1 + v
▪ Có hệ số xác định là 𝑅𝑋2𝑘 là gần 1
Nguyên nhân:
▪ Bản chất mối quan hệ giữa các hệ số
▪ Mô hình dạng đa thức
▪ Mẫu không mang tính đại diện

Hậu quả Đa cộng tuyến cao

▪ Đa cộng tuyến cao không vi phạm giả thiết
▪ Các ước lượng vẫn không chệch, hiệu quả (trong
điều kiện có đủ các biến độc lập đó)
▪ Sai số chuẩn SE lớn
▪ Kiểm định T kết luận hệ số không có ý nghĩa
▪ Kiểm định T và F có thể mâu thuẫn
▪ Dấu các ước lượng thay đổi, và sai
▪ Ước lượng hệ số không vững khi mẫu thay đổi

Phát hiện đa cộng tuyến cao

▪ Hệ số tương quan cặp giữa các biến độc lập: nếu cao
 có ĐCT cao
▪ Sử dụng các hồi quy phụ: Hồi quy Xj theo các biến
còn lại được hệ số xác định Rj2.
▪ Nếu Rj2 gần 1  có ĐCT cao
1
▪ Tính nhân tử phóng đại phương sai VIF 
1 Rj
2
▪ Nhận biết ngay qua quá trình thay đổi mô hình

Khắc phục
▪ Nếu ĐCT cao nhưng không làm mất ý nghĩa hệ số,
không thay đổi dấu: có thể bỏ qua
▪ Biến cần quan tâm không cộng tuyến với biến khác,
không bị ảnh hưởng: có thể bỏ qua
▪ Nếu ĐCT cao gây ảnh hưởng:
• Tăng kích thước mẫu
• Thông tin ràng buộc để thu hẹp mô hình
• Phương pháp phân tích nhân tố
• Bỏ bớt biến
5.6. MÔ HÌNH CHỨA BIẾN KHÔNG THÍCH HỢP

▪ Khi chứa biến không thích hợp Z
▪ Không vi phạm giả thiết OLS
▪ Các ước lượng vẫn không chệch, hiệu quả
▪ Nếu biến không phù hợp có tương quan với biến
đang có, sai số chuẩn sẽ tăng lên
▪ Biến không thích hợp sẽ không có ý nghĩa thống kê
▪ Tuy nhiên không phải “biến không có ý nghĩa thống
kê là không thích hợp” !!!


▪ Kỳ vọng sai số khác 0: ước lượng chệch
▪ Kiểm định Ramsey
▪ Phương sai sai số thay đổi
▪ Kiểm định BG, White
▪ Phương pháp GLS, sai số chuẩn vững
▪ Sai số ngẫu nhiên không phân phối chuẩn
▪ Đa cộng tuyến cao
▪ Có biến không thích hợp

Chương 6. HỒI QUY VỚI CHUỖI THỜI GIAN
▪ Các chương trước đề cập số liệu chéo (thời gian cố
định, quan sát các cá thể khác nhau)
▪ Giả thiết OLS đã xét chỉ phù hợp với số liệu chéo
▪ Kinh tế vĩ mô và cả vi mô thường xét số liệu theo
thời gian

Chương 6. Hồi quy với chuỗi thời gian

▪ 6.1. Một số khái niệm
▪ 6.2. Các giả thiết OLS khi ước lượng
▪ 6.3. Một số mô hình chuỗi thời gian cơ bản
▪ 6.4. Tính chất mẫu lớn và ước lượng OLS

6.1. MỘT SỐ KHÁI NIỆM

▪ Số liệu theo thời gian cách đều nhau
▪ Phải theo trình tự cố định
▪ Số liệu là rời rạc: Yt , t = 1, 2, … hoặc t = 0, 1, 2,…
▪ Ví dụ: GDP từ 1990 đến 2015: GDPt
▪ Biến trễ (lag) của Yt : Yt – 1, Yt – 2 , …, hoặc Y(-1), Y(-2)

Chương 6. Hồi quy với chuỗi thời gian 6.1. Một số khái niệm
Chuỗi dừng
▪ Chuỗi Yt gọi là chuỗi dừng (stationary time series):
nếu thỏa mãn 3 điều kiện
• (i) E(Yt ) =  không đổi t
• (ii) Var(Yt ) = σ 2 không đổi t
• (iii) Cov(Yt , Yt – p ) = p chỉ thay đổi theo p
▪ Vi phạm ít nhất 1 trong 3 điều kiện  chuỗi không
dừng (non-stationary time series)
▪ Chuỗi phụ thuộc yếu (weakly dependent):
Cov(Yt , Yt – p )  0 rất nhanh khi p tăng nhanh
Chương 6. Hồi quy với chuỗi thời gian 6.1. Một số khái niệm
Nhiễu trắng
▪ Chuỗi Yt là Nhiễu trắng (White noise) nếu:
• (i) E(Yt ) = 0 t
• (ii) Var(Yt ) = σ 2 t
• (iii) Cov(Yt , Yt – p ) = 0 t, p
▪ Nhiễu trắng là chuỗi dừng, không có tương quan với
quá khứ

6.2. GIẢ THIẾT OLS

▪ Mô hình: Yt = 1 + 2X2t + … + k Xkt + ut (1)
▪ Giả thiết TS1: Sai số n.nhiên không tự tương quan
Corr(p) = (ut , ut – p ) = 0  t, p  0
▪ Giả thiết TS2: Kỳ vọng sai số ngẫu nhiên bằng 0
E(ut | X2t ’ , …, Xkt ’ ) = 0  t, t ’
▪ Giả thiết TS3: Phương sai sai số không đổi
Var(ut) = σ 2  t
▪ Giả thiết TS4: Không có đa cộng tuyến hoàn hảo
▪ Giả thiết TS5: Sai số phân phối chuẩn: ut ~ N(0, σ 2)

Chương 6. Hồi quy với chuỗi thời gian 6.2. Giả thiết OLS
Biến ngoại sinh chặt

▪ Giả thiết 2 tương đương 2 điều kiện
• (i) E(ut ) = 0 t
• (ii) Cov(ut , Xjt ’ ) = 0 t, t ’, j = 2  k
▪ Nếu Xj thỏa mãn (ii) thì Xj là biến ngoại sinh chặt
(strictly exogenous variable)
▪ Nếu Xj không thỏa mãn (ii) thì gọi là biến độc lập nội
sinh (endogenous independent variable)

Tính không chệch tốt nhất

▪ Định lý: Với mô hình chuỗi thời gian, nếu các giả
thiết TS1 đến TS4 được thỏa mãn thì ước lượng OLS
là ước lượng tuyến tính không chệch tốt nhất
▪ Khi thêm giả thiết TS5 thì có thể thực hiện các suy
diễn thống kê về các hệ số
▪ Thực tế: Giả thiết TS2 thường bị vi phạm, ước lượng
có thể chệch

Các giả thiết thay thế khi mẫu lớn

▪ Giả thiết TS0’: Các chuỗi Yt, X2t,…, Xkt là dừng và phụ
thuộc yếu
▪ Giả thiết TS1’: Sai số n.nhiên không tự tương quan
Corr(p) = (ut , ut – p ) = 0  t, p  0
▪ Giả thiết TS2’: Kỳ vọng sai số ngẫu nhiên bằng 0
E(ut | X2t , …, Xkt ) = 0  t
▪ Giả thiết 3, 4: không thay đổi
▪ Định lý: các giả thiết được thỏa mãn và mẫu lớn thì
ước lượng OLS là tuyến tính và vững, phân phối xấp
xỉ chuẩn  các suy diễn có ý nghĩa
So sánh các bộ Giả thiết

Số liệu chéo Chuỗi thời gian Chuỗi thời gian
Tổng quát Mẫu lớn
TS0’: chuỗi dừng
và phụ thuộc yếu
CS1: Mẫu ngẫu TS1: Không tự TS1’: Không tự
nhiên tương quan tương quan
CS2: E(ui) = 0 TS2: E(ut | Xt’) = 0 TS2’: E(ut | Xt) = 0
CS3: Var(ui)= σ2 TS3: Var(ut) = σ2 TS3’: Var(ut) = σ2
CS4: Không ĐCT TS4: Không ĐCT TS4’: Không ĐCT
ƯL là BLUE ƯL là BLUE ƯL là Vững

6.3. MÔ HÌNH CHUỖI THỜI GIAN CƠ BẢN

▪ Mô hình tĩnh: Yt = 1 + 2X2t + … + k Xkt + ut
▪ Mô hình động: có trễ
▪ Mô hình trễ bậc 1
Yt =  + 0Xt + 1Xt – 1 + ut
▪ Mô hình có trễ phân phối bậc q (distributed lag DL)
Yt =  + 0Xt + 1Xt – 1 + … + q Xt – q + ut

Chương 6. Hồi quy với chuỗi thời gian 6.3. Mô hình chuỗi thời gian cơ bản
Mô hình tự hồi quy

▪ Mô hình tự hồi quy bậc 1 – AR(1): autoregressive
Yt =  + Yt – 1 + ut
▪ Mô hình AR(1) có biến độc lập khác
Yt =  + Yt – 1 + Xt + ut
▪ Mô hình tự hồi quy bậc p – AR(p)
Yt =  + 1Yt – 1 + 2Yt – 2 +…+ pYt – p + ut
▪ Mô hình ARDL(p, q)
Yt =  + 1Yt – 1 +…+ pYt – p +
+ 0Xt + 1Xt – 1 +…+ q Xt – q + ut
Mô hình theo xu thế và mùa vụ

▪ Số liệu quý, đặt các biến giả theo Quý (mùa)
▪ Sj = 1 tại Quý j, = 0 nếu ngược lại, j = 1, 2, 3, 4
▪ Chọn 1 quý làm gốc, chẳng hạn Quý 1
Yt = 1 + 2t + 2S2 + 3S3 + 4S4 + ut
▪ Có thể đổi dạng hàm, và thêm biến giả

Mô hình có trễ và dự báo

▪ Mô hình trễ bậc 1 của biến độc lập
Yt =  + 0Xt + 1Xt – 1 + ut
▪ Nếu không có giá trị dự báo của X thì chỉ dự báo
được cho 1 thời kì ngoài mẫu
▪ Mô hình tự hồi quy
Yt =  + Yt – 1 + ut
▪ Dự báo được vô hạn, khi lấy ŶT +1 thay cho YT +1


▪ Số liệu chuỗi thời gian
▪ Biến trễ, sai phân, tự tương quan
▪ Chuỗi dừng, nhiễu trắng
▪ Các giả thiết TS và giả thiết thay thế TS’
▪ Mô hình trễ phân phối
▪ Mô hình tự hồi quy
▪ Xu thế thời gian, mùa vụ

CHƯƠNG 7. TỰ TƯƠNG QUAN
▪ 7.1. Hiện tượng tự tương quan

▪ 7.2. Phát hiện tự tương quan
▪ 7.3. Khắc phục tự tương quan

Chương 7. Tự tương quan
7.1. HIỆN TƯỢNG TỰ TƯƠNG QUAN

▪ Mô hình chuỗi thời gian:
Yt = 1 + 2X2t +… + k Xkt + ut
▪ Giả thiết TS1: Không có tự tương quan của sai số
Corr(ut , ut – p ) = 0 t , p  0
▪ Giả thiết bị vi phạm: có tự tương quan, tương quan
chuỗi bậc p (autocorrelation, serial correlation)

Chương 7. Tự tương quan 7.1. Hiện tượng tự tương quan
Tự tương quan và hậu quả

▪ Tự tương quan bậc 1: ut = 1ut – 1 + t
• Khi 1 > 0: tự tương quan bậc 1 dương
• Khi 1 < 0: tự tương quan bậc 1 âm
• Khi 1 = 0: không có tự tương quan bậc 1
▪ Tổng quát đến bậc p:
ut = 1ut – 1 +…+ put – p +t
Hậu quả:
▪ Ước lượng hệ số OLS là không chệch và vững
▪ Ước lượng phương sai, SE là chệch
▪ Suy diễn thống kê có thể không đáng tin cậy

7.2. PHÁT HIỆN TỰ TƯƠNG QUAN

▪ Sử dụng et thay cho ut ;
▪ Xem et tương quan với et – 1, et – 2,… hay không
▪ Xem đồ thị
▪ Kiểm định tự tương quan bậc 1:
• Các biến độc lập là ngoại sinh chặt: hồi quy phụ
trực tiếp, kiểm định Durbin-Watson
• Các biến độc lập không ngoại sinh chặt: Kiểm
định BG; có trễ của biến phụ thuộc: Durbin’s h
• Kiểm định tự tương quan bậc p: kiểm định BG
Chương 7. Tự tương quan 7.2. Phát hiện tự tương quan
Kiểm định Tự tương quan bậc 1

▪ Khi các biến độc lập là ngoại sinh chặt
▪ Kiểm định Durbin-Watson (DW): phải có hệ số chặn

n
(et  et 1 )2
DW  d  t 2
 2(1  ˆ 1 )
t 1 et
n 2
▪ Với n, k ’ = k – 1,  cho trước  dL , dU

TTQ Không có Không Không có TTQ
dương kết luận có TTQ kết luận âm
0 dL dU 4 – dU 4 – dL 4

▪ Khi mô hình có trễ của biến phụ thuộc ở vế phải
Yt = 1 + 2X2t +… + k Xkt + Yt – 1 + ut
▪ Dùng Durbin’s h khi 𝑉𝑎𝑟 𝜆መ < 1/𝑛:
• H0: Mô hình không có tự tương quan bậc 1
• H0: Mô hình có tự tương quan bậc 1
𝑛 𝑑 𝑛
ℎ = 𝜌ො = 1−
መ
1 − 𝑛𝑉𝑎𝑟(𝜆) 2 መ
1 − 𝑛𝑉𝑎𝑟(𝜆)
▪ Nếu | h | > u/2 thì bác bỏ H0


Khi biến độc lập ngoại sinh chặt
▪ Hồi quy phụ: et = ( ) + 1et – 1 + vt
▪ Nếu 1  0 thì MH gốc có TTQ bậc 1
▪ Dùng kiểm định T hoăc F
Khi biến độc lập không ngoại sinh chặt:

▪ Kiểm định Breusch-Godfrey
et = (1+ 2X2t + … +kXkt ) + 1et – 1 + vt
▪ Nếu 1  0 thì MH gốc có TTQ bậc 1
Kiểm định Tự tương quan bậc p

▪ Kiểm định Breusch-Godfrey:
▪ Hồi quy phụ:
et =(1 + 2X2t +…+ kXkt ) + 1et – 1 +…+ pet – p + vt
H0: 𝜌1 = ⋯ = 𝜌𝑝 : không có TTQ đến bậc p
H1: Có tự tương quan ở ít nhất 1 bậc
▪ Kiểm định F (thu hẹp hồi quy)
2
▪ Kiểm định 𝜒 2 : 𝜒 2 = 𝑛 − 𝑝 𝑅(hồi quy phụ)
2 > 𝜒 2 (𝑛 − 𝑝) thì bác bỏ H
▪ Nếu 𝜒𝑞𝑠 𝛼 0

7.3. KHẮC PHỤC TỰ TƯƠNG QUAN

▪ Phương pháp Bình phương nhỏ nhất tổng quát GLS
(General Least Squares)
▪ Mô hình: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋𝑡 + 𝑢𝑡 (1)
▪ Xét TTQ bậc 1: 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡 (  0)
▪ Không ước lượng (1) trực tiếp, mà ước lượng mô hình
có dạng sai phân tổng quát:
𝑌𝑡 − 𝜌𝑌𝑡−1 = 𝛽1 1 − 𝜌 + 𝛽2 𝑋𝑡 − 𝜌𝑋𝑡−1 + (𝑢𝑡 − 𝜌𝑢𝑡−1 )
Hay: 𝑌𝑡∗ = 𝛽1∗ + 𝛽2 𝑋𝑡∗ + 𝜀𝑡 (2)
▪ Mô hình (2) không có tự tương quan, biến độc lập là
ngoại sinh chặt
Chương 7. Tự tương quan 7.3. Khắc phục tự tương quan
Phương pháp GLS, FGLS

▪ Phương trình sai phân tổng quát cần giá trị ,
nhưng lại chưa biết
▪ Sử dụng ước lượng của  : FGLS (Feasible GLS), từ
nhiều cách:
• Từ DW: 𝜌ො = 1 − 𝑑/2
• Từ hồi quy phụ: 𝑒𝑡 = 𝛼 + 𝜌𝑒𝑡−1 + 𝑣𝑡
• Từ ước lượng nhiều bước

Chương 7. Tự tương quan 7.3. Khắc phục tự tương quan
Sử dụng phương sai hiệu chỉnh

▪ Hay ước lượng sai số chuẩn vững
▪ Phương pháp Newey – West
• Ước lượng các hệ số không đổi
• Tính lại các sai số chuẩn


▪ Hiện tượng tự tương quan chỉ xét với mô hình sử
dụng số liệu chuỗi thời gian
▪ Tự tương quan bậc 1, bậc p
▪ Kiểm định Durbin-Watson, Durbin’s h
▪ Kiểm định qua hồi quy phụ
▪ Kiểm định BG
▪ Khắc phục qua phương trình sai phân, FGLS, ước
lượng lại sai số chuẩn

TỔNG KẾT HỌC PHẦN
▪ Kinh tế lượng phân tích kinh tế
▪ Xây dựng mô hình trên cơ sở lý thuyết kinh tế
▪ Mô hình tốt phải có ý nghĩa về kinh tế và có ý nghĩa
thống kê
▪ Kiểm định T, F về các hệ số và hàm hồi quy
▪ Kiểm định và các hiện tượng: thiếu biến, dạng hàm
sai, phương sai sai số thay đổi, sai số không phân
phối chuẩn, đa cộng tuyến cao, tự tương quan
▪ Các ước lượng tốt sẽ được dùng trong phân tích, dự
báo, ra quyết định
CHÚC CÁC BẠN HỌC TẬP TỐT
VÀ ĐẠT KẾT QUẢ CAO

Slide KTL1 161231 135slides PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Slide KTL1 161231 135slides PDF

Uploaded by

Copyright:

Available Formats

TRƯỜNG ĐẠI HỌC KINH TẾ QUỐC DÂN

KHOA TOÁN KINH TẾ

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 2

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 3

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 5

Khái niệm về Kinh tế lượng

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 7

Mục đích của Kinh tế lượng

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 8

Phương pháp luận

Phân tích kết quả

Phương pháp luận

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 10

Phương pháp luận

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 11

Phương pháp luận

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 12

Số liệu cho phân tích kinh tế lượng

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 13

Số liệu cho phân tích kinh tế lượng

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 15

NỘI DUNG CHƯƠNG 1

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 16

1.1. MÔ HÌNH HỒI QUY

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 17

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 18

Mô hình hồi quy tuyến tính hai biến

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 19

Hàm hồi quy tổng thể - PRF

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 20

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 21

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 22

Hàm hồi quy mẫu - SRF

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 23

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 24

Tổng thể (chưa biết) Mẫu (số liệu)

Tính tuyến tính của mô hình hồi quy

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 26

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 27

1.2. PHƯƠNG PHÁP ƯỚC LƯỢNG OLS

1.3. TÍNH KHÔNG CHỆCH VÀ ĐỘ CHÍNH XÁC

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 29

Tính không chệch

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 30

Sai số chuẩn (Standard Error)

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 31

1.4. SỰ PHÙ HỢP CỦA HÀM HỒI QUY MẪU

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 32

1.5. TRÌNH BÀY KẾT QUẢ ƯỚC LƯỢNG

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 33

Bảng kết quả Microsoft Excel

Bảng kết quả Eviews

1.6. MỘT SỐ VẤN ĐỀ BỔ SUNG

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 36

Tóm tắt chương 1

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 37

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 38

NỘI DUNG CHƯƠNG 2

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 39

2.1. SỰ CẦN THIẾT CỦA HỒI QUY BỘI

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 40

Mô hình hồi quy k biến

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 41