Slide Kinh Te Luong

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.edu.vn
12 / 2018
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 1106 – A1
▪ 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: 30%
• Điểm kiểm tra cuối kỳ (90 phút): 60%
▪ Không tham gia quá 20% số tiết không được thi
▪ Điểm 30% đánh giá do Giảng viên

Thông tin học phần
▪ Thông tin chi tiết về Giảng dạy và học tập học phần:
▪ 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.neu.edu.vn/buiduonghai
Tài liệu
▪ Nguyễn Quang Dong, Nguyễn Thị Minh (2012), 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.edu.vn / www.mfe.neu.edu.vn
▪ Thư viện > Dữ liệu – phần mềm > Eviews4,
Data_Giaotrinh_2013, Data2012
▪ Eviews 8.0; 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
Mở đầu
Thực hành Eviews 8

▪ File  New  Workfile
▪ Workfile structure type:
• Unstructured / Undated
• Dated – regular frequency
• Balanced panel
▪ Date specification: Multi-year / Annual / Semi-annual /
Quarterly / Monthly / Bimonthly / Weekly / Daily – 5
day week / Daily – 7 day week /…
▪ Định dạng Quarterly: yyyyQx
▪ Định dạng Monthly: yyyyMxx
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): E(Y | X = 0)
▪ β2 : Hệ số góc (slope): tác động trung bình của X
• β2 = 0: không tác động
• β2 > 0: X  () 1 đơn vị thì TB của Y  () β2 đ.vị
• β2 < 0: X  () 1 đơn vị thì TB của Y  () | β2| đ.vị

Hàm hồi quy tổng thể - PRF

▪ Ví dụ: Giải thích ý nghĩa hệ số khi giả sử PRF:
• E(Chi tiêu | Thu nhập) = 120 + 0,7 Thu nhập
• E(Lượng bán | Giá) = 2000 – 2,5 Giá
Phân tích hồi quy:

• Đánh giá tác động của biến độc lập lên
trung bình biến phụ thuộc
• Kiểm nghiệm lý thuyết về mối liên hệ
• Dự báo về biến phụ thuộc

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
▪ Ví dụ: Chi_tiêui = 110 + 0,67 Thu_nhậpi + 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
▪ 𝛽መ1 , 𝛽መ2 là ước lượng cho 𝛽1 , 𝛽2

▪ e là đại diện cho u
▪ Ŷ là ước lượng cho E(Y | X)

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
Chương 1. Mô hình hồi quy hai biến 1.2. Phương pháp ước lượng OLS
Ví dụ 1.1: Thu nhập theo kinh nghiệm

▪ Với biến phụ thuộc Y là thu nhập
▪ Biến độc lập X là số năm kinh nghiệm
▪ Mô hình: Y = β1 + β2X + u
E(Y | X) = β1 + β2X
▪ (a) Giải thích ý nghĩa của các hệ số β1, β2?
▪ (b) Với mẫu 5 người, ước lượng các hệ số
X 1 2 2 3 4
Y 4 6 5 7 9

Ví dụ 1.1 (tiếp)
i Xi Yi xi yi xiyi xi2 Ŷi ei
(1) 1 4 -1.4 -2.2 3.08 1.96 3.88 0.12
(2) 2 6 -0.4 -0.2 0.08 0.16 5.54 0.46
(3) 2 5 -0.4 -1.2 0.48 0.16 5.54 -0.54
(4) 3 7 0.6 0.8 0.48 0.36 7.19 -0.19
(5) 4 9 1.6 2.8 4.48 2.56 8.85 0.15
∑ 12 31 0 0 8.6 5.2 31 0
TB 2,4 6,2 6,2
▪ 𝛽መ2 = 8,6/5,2 = 1,65 ; 𝛽መ1 = 6,2 − 1,65 × 2,4 = 2,23

▪ Ŷi = 2,23 + 1,65 Xi
▪ Với Y là thu nhập, X là số năm kinh nghiệm
Ŷi = 2,23 + 1,65 Xi
▪ (c) Giải thích ý nghĩa kết quả?
▪ (d) Ước lượng Thu nhập trung bình của người có 5
năm kinh nghiệm?
▪ (e) Giải thích ý nghĩa của cột giá trị ước lượng Ŷi và
cột phần dư ei trong bảng trước
▪ (f) Nếu thay giá trị Y5 = 9 trong mẫu bởi Y5 = 14 thì
kết quả như thế nào?
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

▪ Đo mức độ biến động trong mẫu (khi có hệ số chặn)
2
σ𝑛𝑖=1 𝑌𝑖 − 𝑌ത 2 = σ𝑛𝑖=1 𝑌෠𝑖 − 𝑌ത + σ𝑛𝑖=1 𝑒𝑖2
TSS = ESS + RSS
▪ TSS (Total Sum of Squares): độ biến động của biến
phụ thuộc quanh trung bình
▪ ESS (Explained Sum of Squares): biến động của biến
phụ thuộc được giải thích biến độc lập
▪ RSS (Residual Sum of Squares): biến động của biến
phụ thuộc được giải thích bởi các yếu tố ngẫu nhiên.
Chương 1. Mô hình hồi quy hai biến 1.4. Sự phù hợp của hàm hồi quy mẫu
Hệ số xác định
▪ Đặt đại lượng R2
𝐸𝑆𝑆 𝑅𝑆𝑆
= =1−𝑅2
𝑇𝑆𝑆 𝑇𝑆𝑆
▪ Khi có hệ số chặn: 0  R2  1
▪ 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)

Tính chất của hệ số xác định

▪ Mô hình có hệ số xác định lớn thì giải thích được
nhiều hơn cho sự biến động của biến phụ thuộc
(trong mẫu)
▪ R2 = 0  𝛽መ2 = 0
▪ Không có hệ số chặn thì có thể TSS ≠ ESS + RSS nên
R2 có thể âm
▪ Hệ số xác định bằng bình phương hệ số tương quan
mẫu: R2 = (r Ŷ, Y )2 = (rX ,Y)2

▪ Tính các đại lượng khác
0,577
i xi2 ei2 Xi2 𝑌𝑖 − 𝑌ത 2 σˆ =
2
= 0,192
5−2
(1) 1.96 0.013 1 4.84
(2) 0.16 0.213 4 0.04 ˆ 0,192  34
Se( β1 ) =
(3) 0.16 0.290 4 1.44 5  5,2
(4) 0.36 0.037 9 0.64 = 0,5
(5) 2.56 0.024 16 7.84
ˆ 0,192
∑ 5.2 0.577 34 14.8 Se( β2 ) = = 0,19
5,2
TB (RSS) (TSS)
14,223
2
ESS = 14,8 − 0,577 = 14,223 R = = 0,961
14,8
1.5. TRÌNH BÀY KẾT QUẢ ƯỚC LƯỢNG

▪ Với kết quả tính toán từ ví dụ 1.1
• Ŷi = 2,23 + 1,65 Xi
• Se (0,5) (0,192)
• n=5 RSS = 0,677 R2 = 0,961
▪ (g) Giải thích ý nghĩa của hệ số xác định trong kết
quả trên?

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

Chương 1. Mô hình hồi quy hai biến 1.6. Một số vấn đề bổ sung
Vấn đề đơn vị của biến độc lập

▪ Giá trị của X tăng m lần (đơn vị giảm m lần):
• X * = mX
▪ Hàm hồi quy cũ và mới:
• 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖 và 𝑌෠𝑖 = 𝛽መ1∗ + 𝛽መ2∗ 𝑋𝑖
▪ ƯL hệ số chặn không đổi, hệ số góc giảm m lần:
• 𝛽መ1∗ = 𝛽መ1 𝛽መ2∗ = 𝛽መ2 /𝑚
• 𝑆𝑒(𝛽መ1∗ ) = 𝑆𝑒(𝛽መ1 ) 𝑆𝑒(𝛽መ2∗ ) = 𝑆𝑒(𝛽መ2 )/𝑚
• 𝑌෠𝑖∗ = 𝑌෠𝑖 𝑅2∗ = 𝑅2

Chương 1. Mô hình hồi quy hai biến 1.6. Một số vấn đề bổ sung
Vấn đề đơn vị của cả hai biến

▪ Giá trị của X tăng m lần, giá trị của Y tăng s lần
X * = mX và Y * = sY
▪ Hàm hồi quy cũ và mới:
• 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋𝑖 và 𝑌෠𝑖 = 𝛽መ1∗ + 𝛽መ2∗ 𝑋𝑖
𝑠
• 𝛽መ1∗ = 𝑠 ∙ 𝛽መ1 𝛽መ2∗ = 𝛽መ2
𝑚
𝑠
• 𝑆𝑒(𝛽መ1∗ ) = 𝑠 ∙ 𝑆𝑒(𝛽መ1 ) 𝑆𝑒(𝛽መ2∗ ) = 𝑆𝑒(𝛽መ2 )
𝑚
• 𝑌෠𝑖∗ = 𝑠 ∙ 𝑌෠𝑖 𝑅2∗ = 𝑅2

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

THỰC HÀNH CHƯƠNG 1

▪ Với số liệu ví dụ 1.1
▪ Nhập số liệu:
• [Eviews] File  New  Workfile
• [Workfile structure]  Unstructured / Undated
•  Observation: 5
• [Eviews] Quick  Empty group
• [Group] Nhập các giá trị tương ứng
▪ [Group] View  Descripive Statistics  Common
▪ [Lệnh] LS Y C X
Thống kê mô tả
▪ Descriptive statistics Hệ số tương quan
X Y
X Y
Mean 2.400 6.200
X 1 0.980
Median 2.000 6.000
Y 0.980 1
Maximum 4.000 9.000
Y vs. X
Minimum 1.000 4.000 10
Std. Dev. 1.140 1.923 9
Skewness 0.271 0.395 8
Kurtosis 1.955 1.994 7
Y 6
Jarque-Bera 0.288 0.341 5
Probability 0.865 0.843
4
3
Sum 12.00 31.00 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
Sum Sq. Dev. 5.200 14.80 X

Chương 2. MÔ HÌNH HỒI QUY BỘI
▪ Đặt k là số hệ số có trong mô hình
▪ Mô hình có hệ số chặn thì số biến bằng k, số biến
độc lập không kể hằng số bằng (k – 1)
▪ 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
▪ Nếu u có tương quan với X: 𝐶𝑜𝑣(𝑢, 𝑋) ≠ 0 thì X gọi
là biến độc lập nội sinh.
→ giả thiết 2 bị vi phạm → các ước lượng là chệch.
▪ 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

Chương 2. Mô hình hồi quy bội 2.1. Sự cần thiết của hồi quy bội
Vấn đề dạng hàm hồi quy

▪ Hồi quy đơn hạn chế về
dạng hàm
▪ Hồi quy bội có dạng hàm
β1 + β2X + β3X2
phù hợp hơn, dự báo tốt
hơn
▪ Phong phú hơn trong β1 + β2X
phân tích kinh tế

Mô hình hồi quy ba biến

▪ Biến Y phụ thuộc vào 2 biến độc lập X2, X3
Y = β1 + β2X2 + β3X3 + u
▪ PRF: E(Y | X2 , X3) = β1 + β2X2 + β3X3
▪ SRF: 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋2𝑖 + 𝛽መ3 𝑋3𝑖
▪ Nếu X2, X3 có quan hệ cộng tuyến: X3 = α1 + α2X2 thì
Y = (β1 + α1β3) + (β2 + α2β3)X2 + u
▪ Mô hình ba biến chỉ đúng khi các biến độc lập không
có quan hệ cộng tuyến

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
▪ Ý nghĩa hệ số:
• Hệ số chặn: 𝛽1 = 𝐸 𝑌 𝑋2 = ⋯ = 𝑋𝑘 = 0
• Hệ số góc: 𝛽𝑗 (j = 2,…, k): tác động riêng của Xj
𝜕𝐸 𝑌
𝛽𝑗 =
𝜕𝑋𝑗
▪ Nếu 𝛽2 = ⋯ = 𝛽𝑘 = 0: hàm hồi quy không phù hợp
Mô hình hồi quy k biến

▪ Mô hình trong mẫu
• 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋2𝑖 + 𝛽መ3 𝑋3𝑖 + ⋯ + 𝛽መ𝑘 𝑋𝑘𝑖
• 𝑌𝑖 = 𝛽መ1 + 𝛽መ2 𝑋2𝑖 + 𝛽መ3 𝑋3𝑖 + ⋯ + 𝛽መ𝑘 𝑋𝑘𝑖 + 𝑒𝑖
▪ Mô hình k biến chỉ đúng khi các biến độc lập không
được quan hệ cộng tuyến với nhau:
• Không tồn tại các hằng số λ1, λ2,…, λk không đồng
thời bằng 0 sao cho: λ1 + λ2X2 +…+ λkXk = 0
▪ 𝛽መ𝑗 là ước lượng điểm cho 𝛽𝑗 (j = 1, 2,…, k)

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 )

Tính vững của ước lượng

▪ Ước lượng vững (consistent estimator): khi kích
thước mẫu rất lớn thì ước lượng hệ số trong mẫu
tiệm cận hệ số trong tổng thể
▪ Nếu các giả thiết OLS được thỏa mãn thì ước lượng
OLS là ước lượng vững
▪ Nếu mẫu lớn, có thể thay giả thiết 2 bởi những giả
thiết bớt chặt hơn mà vẫn đảm bảo tính vững
▪ Khi không thể có ước lượng không chệch, ước lượng
vững cũng có thể dùng được.

Độ chính xác của ước lượng OLS

▪ Kỳ vọng của ước lượng: 𝐸 𝛽መ𝑗 = 𝛽𝑗
▪ Phương sai:
 2
Var( ˆ j ) =
(1 − R 2j )( X ji − X j )2
▪ Với Rj2 là hệ số xác định khi hồi quy Xj theo các biến
độc lập còn lại, có hệ số chặn
▪ Xj tương quan với các biến còn lại càng nhiều →
𝑉𝑎𝑟(𝛽መ𝑗 ) càng lớn

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

Sự tác động đến ước lượng hệ số

▪ Xét mô hình: 𝑌 = 𝛽1 + 𝛽2 𝑋2 + 𝑢 ; 𝑌෠𝑖 = 𝛽መ1 + 𝛽መ2 𝑋2𝑖
▪ Khi thêm biến Z: 𝑌 = 𝛽1∗ + 𝛽2∗ 𝑋2 + 𝛽3 𝑍 + 𝑢
𝑌෠𝑖 = 𝛽መ1∗ + 𝛽መ2∗ 𝑋𝑖 + 𝛽መ3 𝑍𝑖
▪ Ước lượng hệ số biến X không đổi: 𝛽መ2 = 𝛽መ2∗ nếu:
• Ước lượng hệ số biến Z bằng 0: 𝛽መ3 = 0
• Hoặc hệ số tương quan mẫu X và Z bằng 0: rX,Z = 0
▪ Tổng quát: Nếu tất cả các biến thêm vào đều không
tương quan với biến X thì ước lượng hệ số của X sẽ
không đổi

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
▪ Dấu hiệu nên thêm biến vào mô hình: 𝑅ത 2 tăng

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
• Theo hệ số β2 thì phân loại hàng hóa A thế nào?
• Dấu các hệ số góc như thế nào thì phù hợp?

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
𝑑𝑌 𝑑𝑋2
• Vi phân hai vế: = 𝛽2
𝑌 𝑋2
• 𝛽2 = 𝜀𝑋𝑌2 là độ co giãn của Y theo X2

• Khi X2 tăng 1%, trung bình Y tăng β2%
Mô hình dạng log-log

▪ Ví dụ: Phân tích kết quả ước lượng hàm sản xuất
như sau:
෣ = 0,23 + 0,62 ln 𝐾 + 0,57ln(𝐿)
ln(𝑄)
Với Q là sản lượng, K là vốn, L là lao động
▪ Ví dụ: Khi nào hàng hóa là thấp cấp, thông thường,

thiết yếu, xa xỉ nếu hàm cầu theo thu nhập khả dụng
có dạng:
ln(D) = β1 + β2 ln(Yd) + u

Mô hình dạng lin-log

▪ Mô hình có dạng:
Y = β1 + β2 ln(X) + u
▪ Ý nghĩa hệ số góc:
𝑑𝑋2 𝛽2 𝑑𝑋
• 𝑑𝑌 = 𝛽2 hay 𝑑𝑌 = × 100%
𝑋2 100 𝑋
• Khi X tăng 1% thì Y tăng (β2 / 100) đơn vị
▪ Ví dụ: Giải thích ý nghĩa kết quả ước lượng sau
W = 1,25 + 202,6 ln(TR) + e
Với W là tiền lương người lao động, TR là doanh
thu của công ty.
Mô hình dạng log-lin

▪ Còn gọi là mô hình tăng trưởng (growth) :
ln(Y) = β1 + β2 X + u hay 𝑌 = 𝑒 𝛽1+𝛽2𝑋+𝑢
𝑑𝑌
▪ Ý nghĩa hệ số góc: = 𝛽2 𝑑𝑋
𝑌
• Khi X tăng 1 đơn vị thì Y tăng 100β2%
▪ Ví dụ: Giải thích ý nghĩa kết quả
ln(TR) = 4,51 + 0,153T + e
Với TR là doanh thu; T là biến thời gian, nhận giá
trị = 1, 2, 3,… theo các năm

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
▪ Khi X tăng: β2 > (<) 0: Y giảm (tăng) chậm dần về β1
▪ Ví dụ: INF = –2,5 + 1,32 ( 1/UNE ) + e

Với INF là tỷ lệ lạm phát, UNE là tỷ lệ thất nghiệp

Mô hình dạng đa thức

▪ 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
▪ Ví dụ: Phân tích ý nghĩa kết quả ước lượng sau

Q = 205 + 5,2WEB + 3,8TV + 1,3 WEB*TV + e
Với Q là lượng bán, WEB và TV là chi phí quảng cáo trên
trang mạng và trên tivi của một doanh nghiệp.
Ví dụ 2.1 (a) Mô hình linear-linear

▪ Với Y là sản lượng, K là vốn, L là lao động
▪ Lệnh LS Y C K L
Dependent Variable: Y Method: Least Squares
Sample: 1 100 Included observations: 100
Variable Coefficient Std. Error t-Statistic Prob.
C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
R-squared 0.964118 Mean dep var 3707.680
Adjusted R-sq 0.963378 S.D. dep. var 1425.836
S.E. of reg. 272.8616 Sum sq. resid 7221985.
F-statistic 1303.136 Prob(F-statistic) 0.000000
Ví dụ 2.1 (b) Mô hình log-log

▪ Lệnh LS LOG(Y) C LOG(K) LOG(L)
Dependent Variable: LOG(Y) Sample: 1 100

C 0.416571 0.114175 3.648529 0.0004
LOG(K) 0.621661 0.014506 42.85566 0.0000
LOG(L) 0.476395 0.005883 80.97390 0.0000
S.E. of reg. 0.045971 Sum sq. resid 0.204993

Ví dụ 2.1 (c) Mô hình lin-log

▪ Lệnh LS Y C LOG(K) LOG(L)
Dependent Variable: Y Sample: 1 100

C -22491.62 1126.383 -19.96801 0.0000
LOG(K) 2250.462 143.1067 15.72576 0.0000
LOG(L) 1456.557 58.04123 25.09521 0.0000
S.E. of reg. 453.5220 Sum sq. resid 19951178
F-statistic 440.7690 Prob(F-stat) 0.000000

Ví dụ 2.1 (d) Mô hình log-lin

▪ Lệnh LS LOG(Y) C K L

C 6.957747 0.052939 131.4301 0.0000
K 0.000353 2.45E-05 14.39135 0.0000
L 0.000644 2.81E-05 22.88139 0.0000
Adjusted R-sq.0.875283 S.D. dep. var 0.426710
S.E. of reg. 0.150694 Sum sq. resid 2.202751

Ví dụ 2.1 (e) Mô hình tương tác

Lệnh LS Y C K L K*L
Dependent Variable: Y Sample: 1 100

C 393.9786 113.0167 3.486020 0.0007
K 0.766275 0.062492 12.26190 0.0000
L 1.189360 0.111005 10.71445 0.0000
K*L 0.000620 6.35E-05 9.767338 0.0000
Adjusted R-sq.0.981440 S.D. dep. var 1425.836
S.E. of reg. 194.2479 Sum sq. resid 3622295.

▪ 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
▪ Muốn dùng 𝛽መ𝑗 của mẫu để suy diễn về hệ số βj của
tổng thể (j= 1,…, k) cần giả thiết về quy luật phân
phối xác suất
▪ Giả thiết 5: Sai số ngẫu nhiên phân phối Chuẩn

▪ Kết hợp với Giả thiết 2: E(ui) = 0 và Giả thiết 3:
Var(ui) = σ2 , thì: ui ~ N(0, σ2)
Quy luật phân phối xác suất

▪ Khi đó: 𝛽መ𝑗 ~𝑁 𝛽𝑗 , 𝑉𝑎𝑟 𝛽መ𝑗
▪ Chứng minh được:
𝛽መ𝑗 − 𝛽𝑗 𝛽መ𝑗 − 𝛽𝑗
~𝑁 0,1 và ~𝑇 𝑛 − 𝑘
መ
𝑆𝑒(𝛽𝑗 )
𝑉𝑎𝑟𝛽መ𝑗
▪ Hai bài toán suy diễn:

• Ước lượng khoảng (khoảng tin cậy) với độ tin
cậy (1 – α)
• Kiểm định giả thuyết với mức ý nghĩa α

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…

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

▪ Ý nghĩa: mức ý nghĩa 95%, nếu lấy rất nhiều mẫu →
rất nhiều khoảng tin cậy → 95% khoảng đó chứa hệ
số βj của tổng thể.
▪ Với mẫu quan sát: hi vọng thuộc 95% đó → khoảng
tính ra là đúng
▪ Độ tin cậy lớn → khả năng đúng cao → khoảng tin
cậy rộng
▪ Độ rộng khoảng tin cậy phụ thuộc: độ tin cậy, bậc tự
do (n: số quan sát, k: số hệ số), Se (phụ thuộc VIF, σ2,
xji2 )
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 và P-value

▪ Cặp giả thuyết quan trọng:
H0: 𝛽𝑗 = 0
H1: 𝛽𝑗 ≠ 0
▪ H0: Hệ số 𝛽መ𝑗 không có ý nghĩa thống kê (statistically
insignificant): biến Xj không giải thích cho sự biến
động của Y
▪ Thống kê T: 𝑇0 = 𝛽መ𝑗 /𝑆𝑒 𝛽መ𝑗
𝑛−𝑘
▪ Nếu 𝑇0𝑞𝑠 > 𝑡𝛼/2 thì bác bỏ H0

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

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|)

Ví dụ 3.1: Y phụ thuộc K, L

Dependent Variable: Y Method: Least Squares
Sample: 1 100 Included observations: 100
C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
R-squared 0.964118 Sum sq. resid 7221985.

▪ Hiệp phương sai ước lượng hai hệ số góc = 0,00012.
▪ (a) Giải thích ý nghĩa kết quả ước lượng
▪ (b) Biến K có thực sự giải thích cho Y?
▪ (c) Hệ số nào có ý nghĩa thống kê?
▪ (d) L tăng 1 đơn vị, K không đổi thì Y thay đổi thế nào?
▪ (e) K và L cùng tăng 1 đơn vị thì Y thay đổi thế nào?
▪ (f) K tăng 1 đơn vị, L giảm một đơn vị thì Y có giảm?
▪ (g) Kiểm định giả thuyết tổng hai hệ số góc = 3,6?

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

Một số dạng ràng buộc

▪ MH gốc (U): Y = β1 + β2X2 + β3X3 + β4X4 + u
▪ Dạng 1: Các hệ số bằng 0
H0: β3 = β4 = 0 (m = 2)
MH có ràng buộc (R): Y = β1 + β2X2 + u
▪ Dạng 2: Tổng hiệu các hệ số bằng 0
H0: β3 + β4 = 0 (m = 1)
MH (R): Y = β1 + β2X2 + β3 (X3 – X4) + u
Y = β1 + β2X2 + β3 (X * ) + u

Một số dạng ràng buộc

▪ MH gốc (U): Y = β1 + β2X2 + β3X3 + β4X4 + u
▪ Dạng 3: Tổng các hệ số bằng số khác 0
H0: β3 + β4 = 1 (m = 1)
MH (R): Y = β1 + β2X2 + β3X3 +(1–β3)X4 + u
Y – X4 = β1 + β2X2 + β3 (X3 – X4) + u
Y * = β1 + β2X2 + β3 (X * ) + u
Lưu ý: Biến phụ thuộc thay đổi
▪ Dạng 4: Các ràng buộc khác
H0: β2 = 2 và β3 + β4 = 1 (m = 2)
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

Liên hệ kiểm định T và F

▪ Với kiểm định 1 ràng buộc, có thể dùng T hoặc F
𝑛−𝑘
▪ Khi đó Fqs = ( Tqs )2 và 𝑓𝛼 1, 𝑛 − 𝑘𝑈 = (𝑡𝛼/2 )2
▪ Kiểm định F dùng cho mọi ràng buộc dạng tuyến
tính của các hệ số
▪ P-value của kiểm định F = 𝑃 𝐹 𝑚, 𝑛 − 𝑘𝑈 > 𝐹𝑞𝑠
▪ P-value được tính bởi phần mềm chuyên dụng

▪ (h) Kiểm định sự phù hợp của mô hình
▪ (i) Khi bớt biến L thì tổng bình phương phần dư
tăng lên đến 1,48E+08. Có nên bỏ biến đó không?
▪ (j) Khi bớt biến K thì hệ số xác định giảm xuống còn
0,65. Vậy có nên bỏ biến đó không? So sánh kết quả
với kiểm định T
▪ (k) Khi thêm hai biến K2 và K3 vào mô hình thì hệ số
xác định tăng lên đến 0,9664. Vậy có nên thêm hai
biến đó vào không?

3.5. KIỂM ĐỊNH KHI-BÌNH PHƯƠNG

▪ Kiểm định m ràng buộc, sử dụng hàm hợp lý ln(L),
2 với 𝜒 2 (𝑚)
so sánh 𝜒𝑞𝑠 𝛼
▪ Ví dụ 3.1, kiểm định giả thuyết βK + βL = 3,6

Wald Test:
Test Statistic Value df Prob
t-statistic -1.341821 97 0.1828
F-statistic 1.800483 (1, 97) 0.1828
Chi-square 1.800483 1 0.1797
Null Hypothesis: C(2) + C(3) = 3.6
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
-3.6 + C(2) + C(3) -0.093098 0.069382
Ví dụ 3.2: Ln(Y) phụ thuộc ln(K), ln(L)

C 0.416571 0.114175 3.648529 0.0004
LOG(K) 0.621661 0.014506 42.85566 0.0000
LOG(L) 0.476395 0.005883 80.97390 0.0000
R-squared 0.988628 Sum sq. resid 0.204993
▪ Hiệp phương sai ước lượng hai hệ số góc xấp xỉ 0
▪ (a) Kiểm định tính hiệu quả theo quy mô bằng kiểm
định T

▪ (b) Kiểm định giả thuyết “quá trình sản xuất có hiệu
quả không đổi theo quy mô” qua kết quả dưới đây
Dependent Variable: LOG(Y/L) Included observations: 100

C 1.131938 0.007945 142.4783 0.0000
LOG(K/L) 0.537318 0.006444 83.37731 0.0000
R-squared 0.986099 Mean dep var 1.615989
Sum sq resid 0.288245 F-statistic 6951.776

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
▪ Đánh giá chất lượng dự báo bằng mô hình hồi quy
▪ 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
 (Yi −Yi )
ˆ 2
m
1
MAE = 
mi
| Yˆi −Yi |
=1
1 Yˆi −Yi
m
MAPE =  (100%)
m i =1 Yi
Ví dụ 3.3: Dự báo cho Y theo K, L

▪ Đánh giá dự báo cho Y qua các mô hình của K và L
▪ MH với biến phụ thuộc ln(Y) đã quy về giá trị của Y
Mô hình RMSE MAE MAPE
2.1(a) : lin-lin 268.74 218.47 6.86
2.1(b) : log-log 151.79 111.37 3.30
2.1(c) : lin-log 446.67 312.39 11.99
2.1(d) : log-lin 524.88 360.99 11.17
2.1(e) : tương tác 190.32 147.39 5.74
▪ MAPE của các mô hình theo các nhóm quan sát
100 50 50
Mô hình
qs qs đầu qs sau
2.1(a) : lin-lin 6.86 7.25 6.47
2.1(b) : log-log 3.30 3.20 3.40
2.1(c) : lin-log 11.99 9.94 14.04
2.1(d) : log-lin 11.17 12.41 9.94
2.1(e) : tương tác 5.74 5.98 5.51

Trình bày kết quả nhiều mô hình

▪ Kí hiệu *, **, *** : tương ứng hệ số có ý nghĩa thống
kê ở mức 10%, 5%, 1%
▪ Kết quả mô hình với một số hộ gia đình
Biến phụ thuộc
MH (1) MH (2) MH (3)
CONS (Chi tiêu)
C 10.6 2.12*** -2.8
INCOME (Thu nhập) 0.56*** 0.58***
SIZE (Số người) 3.12** 3.31***
R-sq 0.45 0.257 0.74
MAPE 13.17% 12.72% 8.48%
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
▪ Ví dụ: giới tính người lao động, khu vực cư trú của
hộ gia đình, hình thức sở hữu doanh nghiệp, chính
sách của nhà nước…

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 (thu nhập) là Y
▪ Đặt biến D = 1 nếu người lao động là Nam
D = 0 nếu người lao động là nữ
▪ Mô hình: Y = β1 + β2D + u
• Đối với nam: Y = β1 + β2D + u
• Đối với nữ: Y = β1 +u
▪ Nếu β2 = 0 → Thu nhập không phụ thuộc vào giới
▪ Biến D gọi là Biến giả (dummy)

Ví dụ 4.1
▪ Số liệu với YD là thu nhập, CONS là chi tiêu, GEN = 1
nếu là Nam và GEN = 0 nếu là nữ, 40 quan sát
YD CONS GEN YD CONS GEN YD CONS GEN YD CONS GEN
65 66 0 88 76 0 109 87 0 132 104 1
69 67 0 92 78 0 114 95 1 137 99 0
72 72 1 93 81 1 115 98 1 137 100 0
74 68 0 93 81 0 116 93 0 141 112 1
75 68 0 94 81 1 117 93 0 144 111 1
78 71 1 94 85 1 117 92 0 145 104 0
80 75 1 97 86 1 117 92 0 150 107 0
83 75 0 98 84 0 122 100 1 155 121 1
85 77 0 103 84 0 122 100 1 155 121 1
85 75 0 107 86 0 127 103 1 159 126 1

Ví dụ 4.1 (tiếp): Mô hình 4.1(a) ; 4.1(b)

Dependent Variable: YD Included observations: 40
C 102.8182 5.589985 18.39328 0.0000
GEN 13.51515 8.333058 1.621872 0.1131
R-squared 0.064741 Mean dependent var 108.9000
Dependent Variable: CONS Included observations: 40

C 84.18182 3.139573 26.81314 0.0000
GEN 12.59596 4.680199 2.691330 0.0105
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

Biến định tính có nhiều phạm trù

▪ Ví dụ: Thu nhập trung bình của người lao động có
phụ thuộc vào Miền (Bắc – Trung – Nam) không?
▪ Tổng quát: Biến định tính gồm m phạm trù A1,…, Am
▪ Có thể đặt tối đa m biến giả
• D1 = 1 nếu ở A1, D1 = 0 nếu ở Ā1
• …
• Dm = 1 nếu ở A1, Dm= 0 nếu ở Ām
▪ LƯU Ý: Dùng tối đa (m – 1) biến giả (tại sao???)
▪ Phạm trù tất cả biến giả = 0 là phạm trù gốc (cơ sở)

Biến định tính có nhiều phạm trù

▪ Biến A có m phạm trù A1, A2,…, Am ; lấy A1 là cơ sở
▪ Mô hình:Y = β1 + β2D2 + β3D3 + … + βmDm + u
Tại A1 Y = β1 +u
Tại A2 Y = β1 + β2 +u
Tại A3 Y = β1 + β3 +u
…
Tại Am: Y = β1 + βm + u
▪ Nếu các hệ số góc = 0: Đồng nhất giữa các phạm trù
▪ Chọn phạm trù gốc phù hợp mục đích phân tích

Ví dụ 4.2: Mô hình 4.2(a)

▪ Bộ số liệu VN_Quartely
▪ S1, S2, S3, S4 là các biến giả ứng với các quý 1 đến 4
▪ INF là tỷ lệ lạm phát, lấy Quý 1 làm cơ sở
Dependent: INF Sample: 1997Q2 2007Q4 Observations: 43
C 2.567381 0.438535 5.854454 0.0000
S2 -1.972974 0.605923 -3.256147 0.0023
S3 -2.067933 0.605923 -3.412865 0.0015
S4 -1.122542 0.605923 -1.852615 0.0715

Ví dụ 4.2 (tiếp): Mô hình 4.2(b)

▪ INF là tỷ lệ lạm phát, lấy Quý 3 làm cơ sở
Dependent Variable: INF Sample (adjusted): 1997Q2 2007Q4
Included observations: 43 after adjustments
C 0.499449 0.418126 1.194492 0.2395
S1 2.067933 0.605923 3.412865 0.0015
S2 0.094959 0.591320 0.160588 0.8732
S4 0.945391 0.591320 1.598780 0.1179
KINH TẾ LƯỢNG CƠ BẢN – Bui Duong Hai – NEU – www.mfe.edu.vn/buiduonghai 122

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

Chương 4. Hồi quy với biến định tính 4.2. Biến độc lập là định lượng và biến giả
Ví dụ 4.3: Mô hình 4.3(a)

▪ Số liệu của VD4.1; CONS là chi tiêu, YD là thu nhập,
▪ 40 quan sát: 18 nam và 22 nữ

C 26.73061 2.249166 11.88467 0.0000
YD 0.579609 0.020071 28.87786 0.0000
Adjusted R-sq 0.955272 Sum sq resid 427.5820

Chương 4. Hồi quy với biến định tính 4.2. Biến độc lập là định lượng và biến giả
Ví dụ 4.3 (tiếp): Mô hình 4.3(b)

▪ Thêm biến giả GEN = 1 với nam; GEN = 0 với nữ

C 27.09551 1.510313 17.94033 0.0000
GEN 5.092130 0.739796 6.883152 0.0000
YD 0.555216 0.013928 39.86394 0.0000
Adjusted R-sq 0.979856 Sum sq. resid 187.4964

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
Chương 4. Hồi quy với biến định tính 4.3. Mô hình có biến tương tác
Ví dụ 4.3 (tiếp): Mô hình 4.3(c)

▪ CONS là chi tiêu, YD là thu nhập, GEN = 1 với nam
C 33.50886 1.468090 22.82480 0.0000
GEN -8.332500 2.195354 -3.795515 0.0005
YD 0.492840 0.013900 35.45604 0.0000
GEN*YD 0.122645 0.019491 6.292387 0.0000
Adjusted R-sq 0.990141 Sum sq resid 89.29094

Ví dụ 4.3 (tiếp): Kiểm định sự đồng nhất

▪ So sánh mô hình 4.3(c) và 4.3(a) có kết quả
Wald Test:
Test Statistic Value df Probability
F-statistic 68.19547 (2, 36) 0.0000
Chi-square 136.3909 2 0.0000
Null Hypothesis: C(2) = C(4) = 0
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(2) -8.332500 2.195354
C(4) 0.122645 0.019491
Restrictions are linear in coefficients.

Tương tác hai biến định tính

▪ Biến định tính thứ nhất: A và Ā;
Đặt biến giả DA = 1 nếu ở A, DA = 0 nếu ở Ā
ഥ;
▪ Biến định tính thứ hai B và B
ഥ
Đặt biến giả DB = 1 nếu ở B, DB = 0 nếu ở B
▪ Mô hình: Y = β1 + β2DA + β3DB + β4DA *DB + u
• Tại A  B: Y = β1 + β2 + β3 + β4 +u
ഥ : Y = β1 + β2
• Tại A  B +u
• Tại Ā  B: Y = β1 + β3 +u
ഥ : Y = β1
• Tại Ā  B +u
Ví dụ 4.4: Mô hình 4.4

▪ GEN = 1 nếu là Nam; CAR = 1 nếu sở hữu ôtô
C 80.64706 3.219998 25.04569 0.0000
GEN 4.352941 6.754324 0.644467 0.5234
CAR 15.55294 6.754324 2.302664 0.0272
GEN*CAR 0.754751 9.717616 0.077668 0.9385
Adjusted R-sq 0.299341 Sum squared resid 6345.452

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

Chương 4. Hồi quy với biến định tính 4.4. Kiểm định sự ổn định
Ví dụ 4.5
▪ Với bộ số liệu xếp theo thứ tự 22 nữ, 18 nam
▪ LS CONS C YD → View → Stability Diagnostics →
Chow Breakpoint Test → 23
Chow Breakpoint Test: 23

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables Equation Sample: 1 40
F-statistic 68.19547 Prob. F(2,36) 0.0000
Log likelihood ratio 62.64984 Prob. Chi-Square(2) 0.0000
Wald Statistic 136.3909 Prob. Chi-Square(2) 0.0000


▪ 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

Chương 5. Kiểm định và lựa chọn mô hình 5.1. Cơ sở đánh giá
Ví dụ 5.1
▪ Với Y là sản lượng, K là vốn, L là lao động, so sánh
hai mô hình sau như thế nào?
▪ Mô hình [1]:
𝑌෠𝑖 = −486 + 1,29𝐾𝑖 + 2,21𝐿𝑖
Se (95,86) (0,04) (0,05) R2 = 0,964
Prob. [0.00] [0.00] [0.00]
▪ Mô hình [2]:
෣𝑖 ) = 0,417 + 0,62ln(𝐾𝑖 ) + 0,48ln(𝐿𝑖 )
ln(𝑌
Se (0,114) (0,015) (0,006) R2 = 0,988
Prob. [0.00] [0.00] [0.00]
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)

Ví dụ 5.2 (a): Y phụ thuộc L

Dependent Variable: Y Included observations: 100
C 1862.909 160.7195 11.59105 0.0000
L 2.133128 0.157928 13.50698 0.0000
Ramsey RESET Test

Specification: Y C L
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 3.132948 97 0.0023
F-statistic 9.815365 (1, 97) 0.0023
Likelihood
KINH TẾ LƯỢNG 1ratio 9.639081
– Bộ môn Toán kinh tế – NEU 1 0.0019
– www.mfe.edu.vn 145
Ví dụ 5.2 (b): Y phụ thuộc K, L

C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
Ramsey RESET Test Specification: Y C K L
Omitted Variables: Squares of fitted values
Value df Probability
t-statistic 0.078562 96 0.9375
F-statistic 0.006172 (1, 96) 0.9375
Likelihood ratio 0.006429 1 0.9361
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

Ví dụ 5.3 (a): Y phụ thuộc K, L

C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
R-squared 0.964118 Prob(F-statistic) 0.000000
E2
600,000
500,000
400,000
300,000
200,000
100,000
0
10 20 30 40 50 60 70 80 90 100

Ví dụ 5.3 (a): Kiểm định BPG

Heteroskedasticity Test: Breusch-Pagan-Godfrey
Obs*R-squared 10.69879 Prob. Chi-Square(2) 0.0048
Scaled explained SS 10.22896 Prob. Chi-Square(2) 0.0060
Test Equation: Dependent Variable: RESID^2

C -37051.42 34703.07 -1.067670 0.2883
K 39.33804 16.07574 2.447044 0.0162
L 46.17111 18.44290 2.503463 0.0140

Ví dụ 5.3 (a): Kiểm định White

Heteroskedasticity Test: White
Scaled explained SS 53.87757 Prob. Chi-Square(5) 0.0000
Test Equation: Dependent Variable: RESID^2
C -24629.10 80352.16 -0.306514 0.7599
K^2 0.002319 0.015498 0.149622 0.8814
K*L -0.080839 0.023400 -3.454714 0.0008
K 109.2821 72.22232 1.513135 0.1336
L^2 0.172920 0.020127 8.591663 0.0000
L -186.3726 63.18940 -2.949429 0.0040
R-sq 0.563523 F-stat 24.27210 Prob(F-stat) 0.000

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

Ví dụ 5.3 (b): GLS: chia cho L

Dependent Variable: Y/L
1/L -817.5287 68.77325 -11.88731 0.0000
K/L 1.144810 0.049550 23.10403 0.0000
C 3.183666 0.086851 36.65672 0.0000
R-sq 0.961312 F-stat 1205.123 Prob(F-statistic) 0.000

Ví dụ 5.3 (c): GLS: chia cho K

Dependent Variable: Y/K Included observations: 100
1/K -458.5928 96.48026 -4.753229 0.0000
C 1.358709 0.056347 24.11329 0.0000
L/K 2.055458 0.042332 48.55613 0.0000
R-sq 0.965658 F-stat 1363.757 Prob(F-statistic)0.000

Ví dụ 5.3 (d): sai số chuẩn vững

Dependent Variable: Y Method: OLS
C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
Dependent Variable: Y
White heteroskedasticity-consistent standard errors & covariance
C -485.9608 96.76637 -5.022001 0.0000
K 1.292811 0.053821 24.02078 0.0000
L 2.214092 0.076348 29.00013 0.0000
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)

Chương 5. Kiểm định và lựa chọn mô hình 5.4. Sai số không phân phối chuẩn
Ví dụ 5.4: Y phụ thuộc K, L

▪ Kiểm định dựa trên phần dư
16
Series: Residuals
14 Sample 1 100
Observations 100
12
Mean -6.12e-13
10 Median 52.75556
Maximum 486.8425
8 Minimum -740.5635
Std. Dev. 270.0914
6 Skewness -0.764809
Kurtosis 3.032279
4
Jarque-Bera 9.753215
2 Probability 0.007623
0
-600 -400 -200 0 200 400

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)
▪ Không tồn tại việc 1 biến (giả sử Xk) phụ thuộc
tuyến tính các biến còn lại:
Xk = 1 + 2X2 +…+ k – 1X k – 1
▪ 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
Ví dụ 5.5
▪ Y: sản lượng, K: chi phí vốn, L: chi phí lao động, M:
chi phí quản lý và chi phí khác, TC: tổng chi phí
▪ Ma trận hệ số tương quan
K L M TC
Y 0.515 0.806 0.930 0.961
K -0.055 0.225 0.689
L 0.961 0.686
M 0.861
▪ Không thể hồi quy Y theo K, L, M, TC cùng lúc
Ví dụ 5.5 (a)
Dependent Variable: Y
Included observations: 100
C -488.5271 96.19136 -5.078701 0.0000
K 0.875197 0.610312 1.434016 0.1548
L 0.531746 2.452609 0.216808 0.8288
M 8.406298 12.25247 0.686090 0.4943

Ví dụ 5.5 (a): Hồi quy phụ (i) và (ii)

Dependent Variable: K
C 3.557701 15.99881 0.222373 0.8245
L -4.007369 0.030503 -131.3766 0.0000
M 20.02225 0.148711 134.6382 0.0000
Dependent Variable: L
C -1.113278 3.980585 -0.279677 0.7803
K -0.248146 0.001889 -131.3766 0.0000
M 4.994605 0.010565 472.7713 0.0000
Ví dụ 5.5 (b): MH (b) và hồi quy phụ (iii)

C -485.9608 95.85601 -5.069695 0.0000
K 1.292811 0.044404 29.11470 0.0000
L 2.214092 0.050943 43.46253 0.0000
Dependent Variable: K Included observations: 100

C 1816.871 117.7625 15.42826 0.0000
L -0.062626 0.115717 -0.541203 0.5896
KINH TẾ LƯỢNG 1 – Bộ môn
R-squared Toán kinh tế – NEU – www.mfe.edu.vn
0.002980 Prob(F-statistic) 0.589596 173
Ví dụ 5.5 (c): Đổi dạng hàm

Dependent Variable: LOG(Y)
Included observations: 100
C 0.618638 0.086769 7.129678 0.0000
LOG(K) 0.517653 0.015590 33.20453 0.0000
LOG(L) 0.317445 0.017914 17.72070 0.0000
LOG(M) 0.293691 0.032121 9.143369 0.0000

Ví dụ 5.5 (c): Hồi quy phụ (iv) và (v)

Dependent Variable: LOG(K) Included observations: 100
C 4.497635 0.332890 13.51089 0.0000
LOG(L) -0.812575 0.082492 -9.850325 0.0000
LOG(M) 1.503363 0.143052 10.50923 0.0000
Dependent Variable: LOG(L) Included observations: 100

C 1.571061 0.465217 3.377049 0.0011
LOG(K) -0.615419 0.062477 -9.850325 0.0000
LOG(M) 1.740059 0.043942 39.59923 0.0000
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
▪ Biến thời kỳ (flow) hoặc thời điểm (stock)
▪ Quá trình ngẫu nhiên: (Y | t ) hoặc Y (t )
▪ 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
Sai phân và tự tương quan

▪ Sai phân bậc 1 (first order difference)
(Yt ) = Yt – Yt –1
▪ Sai phân hai thời kỳ
2(Yt ) = Yt – Yt – 2
▪ Sai phân bậc 2 (second order difference)
2(Yt ) = ((Yt )) = (Yt ) – (Yt–1)
▪ Tự tương quan bậc 1 (first order autocorrelation)
(Yt , Yt –1)  0
▪ Tự tương quan bậc p (p th order autocorrelation)
(Yt , Yt – p )  0

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
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
▪ Có thể thay thế bởi bộ giả thiết khác dễ thỏa mãn
hơn

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
Tác động cùng kỳ, ngắn hạn: 0
Tác động tổng hợp, dài hạn: 0 + 1 + … + q

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
Ví dụ 6.1
▪ Biến phụ thuộc: CPI (Chỉ số giá tiêu dùng)
▪ Biến độc lập: GGDP (Tỷ lệ tăng trưởng GDP)
Mô hình (a) (b) (c) (d) (e) (f) (g)
C 79*** 75*** 69*** -7*** -5*** -9*** -8***
GGDP 9.1*** 7.7** 7.9** -0.04 -0.9***
GGDP(-1) 2.0 0.2 1.2***
GGDP(-2) 2.3
CPI(-1) 1.1*** 1.3*** 1.1*** 1.1***
CPI(-2) -0.2
Adj R-sq 0.269 0.259 0.251 0.991 0.991 0.991 0.993
▪ ** và *** : có ý nghĩa thống kê ở mức 5% và 1%
Mô hình theo xu thế thời gian

▪ Thời gian 1, 2,…, T
▪ Biến xu thế thời gian (Trend ) t = 1, 2,… hoặc 0, 1,…
▪ Tổng quát: Yt = g(t ) + ut
▪ Dự báo cho thời kỳ/điểm 𝑇 + ℎ: 𝑌෠𝑇+ℎ = 𝑔(𝑡)
ො
• Tuyến tính: Yt = 1 + 2t + ut
• Parabol: Yt = 1 + 2t + 3t 2 + ut
• Logarit: Yt = 1 + 2ln(t ) + ut
• Tăng trưởng: ln(Yt ) = 1 + 2t + ut
• Hàm mũ: ln(Yt ) = 1 + 2ln(t ) + ut
Ví dụ 6.2
Dependent Variable: GDP Sample (adjusted): 1990Q1 2008Q4
C 23.29782 2.378989 9.793163 0.0000
@TREND 1.222796 0.054758 22.33084 0.0000
R-squared 0.870780 Prob(F-stat) 0.000000
▪ Biến @TREND = 0, 1,…, 75

▪ Dự báo giá trị của GDP vào Quý 1, Quý 2 năm 2009?

Ví dụ 6.2 (a)
Biến GDP GDP GDP lnGDP lnGDP
C 23.298 33.687 -13.081 3.467 2.857
@TREND 1.223 0.380 0.018
@TREND^2 0.011
ln(@TREND) 24.650 0.388
Adj R-sq 0.869 0.896 0.609 0.916 0.739
MAPE 76 qs 12.02 10.62 22.66 10.49 15.85
MAPE 4 qs cuối 14.27 10.98 22.48 10.89 22.88
Dự báo GDP
2009:Q1
Dự báo GDP
2009:Q2
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
▪ So sánh trong cùng năm:
• Quý 2 chênh lệch Quý 1 là: 2 +  2
• Quý 3 chênh lệch Quý 1 là: 22 + 3
• Quý 4 chênh lệch Quý 1 là: 32 + 4
▪ Có thể đổi dạng hàm, và thêm biến giả
Ví dụ 6.2(b)
Biến GDP GDP lnGDP
C 11.570 21.956 3.293
@TREND 1.208 0.365 0.018
@TREND^2 0.011
S2 17.564 17.586 0.271
S3 10.519 10.542 0.158
S4 21.011 21.011 0.297
Adj R-sq 0.946 0.975 0.995
MAPE 76 qs & 4 qs cuối 8.5 & 9.0 5.6 & 5.7 2.3 & 3.4
Dự báo GDP 2009:Q1

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
Dự báo tĩnh (static): dùng Yt để tính Ŷt +1
Dự báo động (dynamic): dùng Ŷt để tính Ŷt +1

Ví dụ 6.2(c)
GDP2008:4 = 144.828 GDP lnGDP
C -2.582 1.762
GDP(-1) 0.406
lnGDP(-1) 0.428
@TREND 0.745 0.010
S2 26.518 0.399
S3 12.323 0.170
S4 25.645 0.357
MAPE 76 qs & 4 qs cuối 7.8 & 9.4 2.3 & 4.0


▪ 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)
▪ Trường hợp bậc 1, có thể viết:
ut = 1ut – 1 + t
1  0, t là nhiễu trắng

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

Ví dụ 7.1 (a) CPI phụ thuộc GGDP

▪ CPI là chỉ số giá tiêu dùng, GGDP là tăng trưởng GDP
Dependent Var: CPI Sample: 1997Q1 2007Q4
Variable Coeficient Std. Error t-Statistic Prob.
C 79.00432 16.25038 4.861692 0.0000
GGDP 9.113837 2.222636 4.100463 0.0002
R-squared 0.285882 F-statistic 16.81380
Durbin-Watson 0.300258 Prob(F-statistic) 0.000185
▪ Kiểm định hiện tượng tự tương quan qua thống kê

Durbin-Watson

Ví dụ 7.1 (a). Đồ thị phần dư

▪ Đánh giá hiện tượng tự tương quan qua đồ thị phần
dư thu được từ hồi quy
40
30
20
10
-10
-20
-30
-40
97 98 99 00 01 02 03 04 05 06 07
CPI Residuals

Ví dụ 7.1 (b) Hồi quy phụ

▪ Với RESID là phần dư của mô hình ban đầu, đánh giá
hiện tượng tự tương quan qua hồi quy phụ sau. Nếu
có tự tương quan thì hệ số tự tương quan được ước
lượng bằng bao nhiêu?
Dependent Variable: RESID Sample(adjusted): 1997:2 2007:4

Included observations: 43 after adjusting endpoints
C 1.436543 1.506507 0.953558 0.3459
RESID(-1) 0.854948 0.085942 9.947920 0.0000
Ví dụ 7.1 (c): BG test TTQ bậc 1

▪ Kiểm định tự tương quan qua kiểm định BG
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 88.60024 Probability 0.000000
Obs*R-squared 30.08027 Probability 0.000000
Test Equation: Dependent Variable: RESID
Presample missing value lagged residuals set to zero.
C 17.55367 9.437022 1.860086 0.0701
GGDP -2.334697 1.289372 -1.810724 0.0775
RESID(-1) 0.885710 0.094097 9.412770 0.0000

Ví dụ 7.1 (d): BG test TTQ đến bậc 4

Test Equation:
Dep. Variable: RESID Included observations: 44
Presample missing value lagged residuals set to zero.
C 18.00152 10.38125 1.734042 0.0910
GGDP -2.353099 1.402254 -1.678083 0.1015
RESID(-1) 0.988964 0.162373 6.090675 0.0000
RESID(-2) -0.402742 0.229719 -1.753193 0.0876
RESID(-3) 0.480812 0.215339 2.232810 0.0315
RESID(-4) -0.088370 0.173259 -0.510047 0.6130
R-squared
KINH 0.732894
TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEUProb(F-statistic)
– www.mfe.edu.vn 0.000000 212
Ví dụ 7.1 (e) Thêm biến CPI(-1)

Dependent Var: CPI Sample (adjusted): 1997Q2 2007Q4
C -6.794821 2.383984 -2.850196 0.0069
GGDP -0.143806 0.302064 -0.476077 0.6366
CPI(-1) 1.067919 0.019241 55.50221 0.0000
R-squared 0.991122 Durbin-Watson stat 1.444104

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
▪ Với ví dụ 7.1, có thể lấy 𝜌ො = 0.85

Ví dụ 7.1 (f)
Dependent Variable: CPI-0.85*CPI(-1)
Sample (adjusted): 1997Q2 2007Q4
C 9.013537 1.621201 5.559792 0.0000
GGDP-0.85*GGDP(-1) -0.235757 0.025639 -9.195202 0.0000
R-squared 0.673441 F-statistic 84.55175


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
▪ Thực hành với Eviews

• [Equation] Estimate → Options →  Heteroske-
dasticity Consistent Coefficient Covariance
• →  Newey-West

Ước lượng OLS và Newey-West

Dependent Var: CPI Sample: 1997Q1 2007Q4
Variable Coeficient Std. Error t-Statistic Prob.
C 79.00432 16.25038 4.861692 0.0000
GGDP 9.113837 2.222636 4.100463 0.0002
Newey-West HAC Standard Errors & Covariance (lag truncation=3)

C 79.00432 20.73981 3.809307 0.0004
GGDP 9.113837 3.307258 2.755708 0.0086


▪ 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
Cấu trúc đề thi
▪ Gồm 10 câu hỏi, mỗi câu 1 điểm
▪ 2 – 3 câu hỏi về xây dựng mô hình kinh tế lượng
▪ 7 – 8 câu về đánh giá, so sánh, phân tích các mô hình
kinh tế lượng, dựa trên 1 – 3 kết quả ước lượng
▪ Kết quả ước lượng dạng bảng Eviews hoặc phương
trình truyền thống
▪ Các giá trị thống kê cần thiết được cho ở cuối đề thi

CHÚC CÁC BẠN HỌC TẬP TỐT
VÀ ĐẠT KẾT QUẢ CAO

Slide Kinh Te Luong

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 Kinh Te Luong

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

Thực hành Eviews 8

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

NỘI DUNG CHƯƠNG 1

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

1.1. MÔ HÌNH HỒI QUY

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

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

Mô hình hồi quy tuyến tính hai biến

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

Hàm hồi quy tổng thể - PRF

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

Hàm hồi quy tổng thể - PRF

Phân tích hồi quy:

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

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

Hàm hồi quy mẫu - SRF

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 25

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

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 28

▪ 𝛽መ1 , 𝛽መ2 là ước lượng cho 𝛽1 , 𝛽2

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

1.2. PHƯƠNG PHÁP ƯỚC LƯỢNG OLS

Ví dụ 1.1: Thu nhập theo kinh nghiệm

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

▪ 𝛽መ2 = 8,6/5,2 = 1,65 ; 𝛽መ1 = 6,2 − 1,65 × 2,4 = 2,23

1.3. TÍNH KHÔNG CHỆCH VÀ ĐỘ CHÍNH XÁC

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 34

Tính không chệch

KINH TẾ LƯỢNG 1 – Bộ môn Toán kinh tế – NEU – www.mfe.edu.vn 35

Sai số chuẩn (Standard Error)

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

1.4. SỰ PHÙ HỢP CỦA HÀM HỒI QUY MẪU

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

Tính chất của hệ số xác định

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

1.5. TRÌNH BÀY KẾT QUẢ ƯỚC LƯỢNG

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

Bảng kết quả Microsoft Excel

Bảng kết quả Eviews

1.6. MỘT SỐ VẤN ĐỀ BỔ SUNG