Nội dung ôn tập

• Chương 1. Các khái niệm cơ bản

• Chương 2. Mô hình hồi quy hai biến
• Chương 3. Mô hình hồi quy tổng quát
• Chương 4. Mô hình với biến giả
• Chương 5. Đa cộng tuyến
• Chương 6. Phương sai sai số thay đổi
• Chương 7. Tự tương quan
• Chương 8. Định dạng mô hình
 2.1. Hàm hồi quy tổng thể (PRF)
• Nếu hàm hồi quy tổng thể có dạng
E(Y/X) = β 1 + β 2X
β 1 : hệ số chặn (intercept term, INPT)
β 1 = E(Y/X = 0)
β 2 : hệ số góc (slope coefficient)
∂ E (Y / X )
β2 =
∂X
• Hàm hồi quy tổng thể phản ánh mối quan hệ giữa biến
phụ thuộc và biến độc lập về mặt trung bình
 2.2. Phân loại hàm hồi quy
• Dựa trên tham số: Hàm hồi quy tuyến tính (linear
regression function) nếu tuyến tính theo tham số
E(Y/X) = β 1 + β 2X2
E(Y/X) = β 1 +
β 2lnX 1
E (Y / X ) =
β1 + β 2 X
E (Y / X ) = β1 X β2
 2.3. Sai số ngẫu nhiên

• Xét giá trị cá biệt Yi ∈ (Y/Xi)

• Thông thường Yi ≠ E(Y/Xi)
• Đặt ui = Yi – E(Y/Xi) : sai số ngẫu nhiên
(nhiễu ngẫu nhiên: random errors)
• Tính chất của Sai số ngẫu nhiên
Có giá trị (+) và (–)
E(ui) = 0 ∀ i
 2.3. Sai số ngẫu nhiên
Bản chất của sai số ngẫu nhiên: đại diện cho tất cả
những yếu tố ngẫu nhiên không phải biến độc lập
nhưng cũng tác động tới biến phụ thuộc:
• Những yếu tố không quan tâm
• Những yếu tố không biết
• Những yếu tố không có số liệu
• Những yếu tố có tác động nhỏ không mang tính hệ
thống
 3. Mô hình hồi quy mẫu
• Không biết toàn bộ Tổng thể
• PRF: biết dạng, không biết giá trị tham số
• Mẫu (sample): một bộ phận mang thông tin của tổng
thể.
• W = {(Xi ,Yi) ; i =1÷n} mẫu ngẫu nhiên hai chiều kích
thước n
• Mẫu cụ thể w có n quan sát (observation)
 3.1. Hàm hồi quy mẫu (SRF)
• Trong mẫu, tồn tại xu thế biến động về mặt trung bình
của Y theo X
• Hàm số mô tả xu thế đó: Yˆi = fˆ ( X i )
Gọi là hàm hồi quy mẫu (Sample Regression Function)
• SRF có dạng giống PRF

• Nếu PRF có dạng E(Y/Xi) = β 1 + β 2Xi

Thì SRF có dạng Yˆi = βˆ1 + βˆ 2 X i

 3.3. Phần dư
• Thông thường Yi ≠ Ŷi
• Đặt ei = Yi – Ŷi
• Gọi là phần dư (residuals)
• Phần dư ei là sai số ngẫu nhiên của mẫu
• Bản chất: giống sai số ngẫu nhiên ui
• Phần dư ei ứng với mẫu cụ thể thay thế cho ui trong các
tính toán.
 Tóm tắt chương
• Tổng thể
E (Y / X i ) = β1 + β2 X i
Yi = β1 + β2 X i + ui
• Mẫu
Yˆi = βˆ1 + βˆ2 X i
Yi = βˆ
1
+ βˆ X
2 i
+ ei
 1. Mô hình hai biến
• Gồm biến phụ thuộc và một biến độc lập
• Có 2 hệ số (k là số hệ số, k = 2)
• PRF E(Y/Xi) = β 1 + β 2 Xi
Yi = β 1 + β 2 Xi + ui

• Với mẫu W = {(Xi, Yi), i = 1÷ n}

SRF Yˆi = βˆ1 + βˆ 2 X i
Y = βˆ +
i 1 βˆ 2 X i + ei
 2.1. Phương pháp
• Nếu mẫu không đồng nhất

ˆβ = XY − X .Y βˆ1 = Y − βˆ 2 X
2
X 2 − ( X )2

• Nếu đặt xi = Xi –⎯X ; yi = Xi –⎯Y

βˆ 2 = ∑x y
i i

∑x 2
i

ˆ LS
• Gọi là các ước lượng LS β j
 2.2. Các giả thiết OLS
• Gt 1: Biến độc lập là phi ngẫu nhiên
• Gt 2: Trung bình sai số ngẫu nhiên bằng 0
E(ui) = 0 ∀ i
• Gt 3: Phương sai sai số ngẫu nhiên đồng nhất
Var(ui) = Var(uj) = σ2 ∀ i ≠ j
• Gt 4: Các sai số ngẫu nhiên không tuơng quan
Cov(ui , uj) = 0 ∀ i ≠ j
• Gt 5: Sai số ngẫu nhiên và biến độc lập không tương
quan Cov(ui , Xi) = 0 ∀ i
 Định lí Gauss-Markov
• Định lý: Nếu các giả thiết LS được thỏa mãn thì các
ước lượng LS là ước lượng tuyến tính, không chệch, tốt
nhất (trong số các ước lượng tuyến tính không chệch)
của các tham số

βˆ jLS là BLUE của β j

 2.3. Các tham số của ước lượng
• Các ước lượng LS là các biến ngẫu nhiên
• Kì vọng
• Phương sai E ( βˆ1 ) = β1 E ( βˆ2 ) = β2
•Độ lệch chuẩn
Var ( βˆ ) = ∑ 2
Xi 2
σ Var ( ˆ
β ) =
1
σ 2

• Trong đó σ2 = Var(ui) chưa

1
n∑biết
xi2
2
∑i
x 2

σ ( βˆ j ) = Var ( βˆ j ) j = 1, 2

31
 2.3. Các tham số của ước lượng
n

∑ i
e 2

• Ước lượng σ2 bởi σˆ 2 = i =1

n−k
• Sai số chuẩn của hồi quy (S.E of Regression)

Σe2
σˆ = σˆ = 2 i
n−k
• Sai số chuẩn mẫu của ước lượng

Se( βˆ ) = ∑ i
X 2
σˆ 2
Se( βˆ2 ) =
σˆ 2
n∑ xi ∑i
1 2 2
x
 3. Phân tích các hệ số
• Kết quả ước lượng chỉ là xu thế của mẫu
→ Phân tích về tổng thể
• Giả thiết: Sai số ngẫu nhiên phân phối chuẩn
ui ~ N( 0 ; σ2 )

• Khi đó (
βˆ j ~ N β j ;Var ( βˆ j ) )
 3.1.Ước lượng khoảng (Khoảng tin cậy)
• Với độ tin cậy (1–α), khoảng tin cậy đối xứng, tối đa,
tối thiểu của β j (j = 1,2)

βˆ j − Se( βˆ j )tα( n/ −2k ) < β j < βˆ j + Se( βˆ j )tα( n/ −2k )

β j < βˆ j + Se( βˆ j )tα( n−k )

ˆβ − Se( βˆ )t ( n−k ) < β
j j α j

• Khoảng tin cậy cho phương sai sai số ngẫu nhiên

σˆ 2 (n − k ) ˆ
σ 2
(n − k )
2( n − k )
< σ < 2( n−k )
2

χα / 2 χ1−α / 2
 3.2. Kiểm định giả thuyết
• Với mức ý nghĩa α , kiểm định cặp giả thuyết
⎧⎪H 0 : β j = β *j
⎨
H :
⎪⎩ 1 j β ≠ β *
j

βˆ j − β *j
• Tính Tqs =
Se( βˆ j )

• Nếu | Tqs |> tα( n/ −2k ) thì bác bỏ H0

Nếu | Tqs |< tα( n/ −2k ) thì chưa có cơ sở bác bỏ H0
 3.2. Kiểm định giả thuyết
⎧⎪H 0 : β j = β *j
• Cặp giả thuyết ⎨
⎪⎩ H1 : β j > β j
*

Nếu Tqs > tα( n−k ) thì bác bỏ H0

⎧⎪H 0 : β j = β *j
• Cặp giả thuyết ⎨
H :
⎪⎩ 1 j β < β *
j

Nếu Tqs < −tα( n − k ) thì bác bỏ H0

 3.2. Kiểm định giả thuyết

⎧H 0 : β 2 = 0
• Cặp giả thuyết cơ bản ⎨
⎩ H1 : β 2 ≠ 0
ˆ
β
Tqs* = 2

Se( βˆ2 )

• Nếu bác bỏ H0: hệ số hồi quy β 2 có ý nghĩa thống kê

(statistically significal)
 3.2. Kiểm định giả thuyết
Giá trị “Mức xác suất” (P-value ; Prob.)
• Với một cặp giả thuyết xác định, một mẫu cụ thể, tính
được một giá trị xác suất α* là mức xác suất thấp nhất
để bác bỏ H0, gọi là P-value.
• Lấy mức ý nghĩa là α trong kiểm đinh:
Nếu P-value < α thì bác bỏ H0
Nếu P-value > α thì chưa có cơ sở bác bỏ H0
 4. Sự phù hợp của hàm hồi quy
4.1. Hệ số xác định

yi = Yi − Y ⎫
⎪
yˆi = Yˆi − Y ⎪
⎬ yi = yˆ i + ei
⎪
ei = Yi − Yˆi ⎪⎭
n n n

∑i =1
y 2i = ∑
i =1
yˆ 2i + ∑ e 2i
i =1

TSS = ESS + RSS

 4.1. Hệ số xác định
• TSS (Total Sum of Squares): đo tổng biến động của
biến phụ thuộc
• ESS (Explained Sum of Squares): tổng biển động của
biến phụ thuộc được giải thích biến độc lập
• RSS (Residual Sum of Squares) : tổng biến động của
biến phụ thuộc được giải thích bởi các yếu tố ngẫu
nhiên.
(Các giá trị đều được tính trong mẫu)
 4.1. Hệ số xác định

ESS RSS
R =
2
= 1−
TSS TSS

0 ≤ R2 ≤ 1

• R2 là hệ số xác định (coef. of determination)

• Ý nghĩa: Hệ số xác định cho biết tỉ lệ (%) sự biến động

của biến phụ thuộc được giải thích bởi biến độc lập, với
mô hình và mẫu xác định
 4.2. Kiểm định sự phù hợp
• R2tổng thể = 0 : hàm hồi quy không phù hợp

⎧H 0 : R 2 = 0
⎨
⎩ H1 : R > 0
2

ESS /( k − 1) R2 n − k
Fqs = = ⋅
RSS /( n − k ) 1 − R k − 1
2

( k −1;n − k )
Fqs > F α thì bác bỏ H0
 5. Dự báo

• Khi biến độc lập nhận giá trị: X = X0

• Ước lượng điểm E(Y/X0) là Yˆ0 = βˆ1 + βˆ2 X 0

• Ước lượng khoảng cho giá trị trung bình và cá biệt của
Y với độ tin cậy (1 – α )
 5. Dự báo
• Trung bình
Yˆ0 − Se (Yˆ0 )t α( n/ −2 k ) < E (Y / X 0 ) < Yˆ0 + Se (Yˆ0 )t α( n/ −2 k )

ˆ 1 (X0 − X ) 2
Se (Y0 ) = σˆ +
n Σ xi
2

• Cá biệt
Yˆ0 − Se (Y0 )t α( n/ −2 k ) < Y0 < Yˆ0 + Se (Y0 )t α( n/ −2 k )

1 ( X 0 − X )2
Se (Y0 ) = σˆ 1 + +
n Σ xi2
Chương 3. MÔ HÌNH TỔNG QUÁT
• 1. Mô hình ba biến
• 2. Mô hình tổng quát và dạng ma trận
• 3. Phương pháp bình phương nhỏ nhất (OLS)
• 4. Phân tích kết quả
• 5. Sự phù hợp của hàm hồi quy
• 6. Dự báo
• 7. Một số mô hình trong kinh tế
 1. Mô hình hồi quy ba biến
• Mô hình hồi quy trong đó biến phụ thuộc Y phụ thuộc
vào 2 biến độc lập X2, X3, có 3 hệ số

• PRF: E(Y / X2i , X3i) = β 1 + β 2X2i + β 3X3i

• SRF Yˆi = βˆ1 + βˆ2 X 2 i + βˆ3 X 3i

∑( )
n 2 n
• Tìm βˆ j ( j = 1,2,3) saocho Yi − Yˆi = ∑ ei2 → min
i =1 i =1
 1. Mô hình hồi quy ba biến
• Nếu X2 và X3 có quan hệ cộng tuyến
X3 = α 1 + α 2X2
(1) ⇔ E(Y/ X2, X3)=(β 1 + β 3α 1)+ (β 2 + β 3α 2)X2
⇔ E(Y/ X2, X3) =β 1*+ β 2*X2 (1’)
→ X3 không có ý nghĩa.
Từ (1’) tính được ˆ * ˆ*
β ,β
1 2

không giải được βˆ1 , βˆ2 , βˆ3

• Các biến không được có quan hệ cộng tuyến với nhau.

 2. Mô hình tổng quát
• Mô hình có k – 1 biến độc lập, k hệ số (k ≥ 2)
E (Y / X 2i ,..., X ki ) = β1 + β 2 X 2i + ... + β k X ki
Yi = β1 + β 2 X 2i + ... + β k X ki + ui
Yˆi = βˆ + βˆ X + ... + βˆ X
1 2 2i k ki

Yˆi = βˆ1 + βˆ2 X 2i + ... + βˆk X ki + ei

β1 = E (Y / X 2 = ... = X k = 0)
∂E (Y / X 2 ,..., X k )
β j ( j = 2, k ) =
∂X j
 Dạng ma trận của mô hình
⎛ Y1 ⎞ ⎛ 1 X 21 ... X k1 ⎞ ⎛ u1 ⎞
⎜ Y ⎟ ⎜1 X ⎟ ⎛ β1 ⎞ ⎜ ⎟
... Xk2 u
⎜ 2 ⎟ ⎜ 22 ⎟ ⎜ β2 ⎟ ⎜ 2 ⎟
⎜ ... ⎟ = ⎜ ... ... ... ... ⎟ × ⎜ ⎟ + ⎜ ... ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ... ⎟ ⎜ ⎟
⎜ Yn−1 ⎟ ⎜ 1 X 2 n−1 ... X kn−1 ⎟ ⎜ ⎟ ⎜ un−1 ⎟
βk ⎠ ⎜
⎜ Y ⎟ ⎜1 X ... X kn ⎠ ⎟ ⎝ u ⎟
⎝ n ⎠ ⎝ 2n ⎝ n ⎠
Y( n×1) = X( n×k ) × β ( k ×1) + U ( k×1)

⎧Y = Xβ + U
• Mô hình hồi quy tổng thể ⎨
⎩ E (Y ) = Xβ
 Dạng ma trận của mô hình
⎛ Yˆ1 ⎞ ⎛ e1 ⎞
⎜ ⎟ ⎛ β1 ⎞ ⎜ e ⎟
⎜ Yˆ2 ⎟ ⎜β ⎟ ⎜ 2 ⎟
ˆ = ⎜ ... ⎟
Y ˆβ = ⎜ 2 ⎟ e = ⎜ ... ⎟
⎜ ⎟ ⎜ ... ⎟ ⎜ ⎟
⎜ Yˆn−1 ⎟ ⎜ ⎟ ⎜ en−1 ⎟
⎜ ⎟ ⎝ βk ⎠ ⎜ e ⎟
⎜ Yˆ ⎟ ⎝ n ⎠
⎝ n ⎠
⎧⎪Yˆ = Xβˆ
• Mô hình hồi quy mẫu ⎨
⎪⎩Y = Xβˆ + e
 3.2. Các giả thiết LS
• Gt 1: X là phi ngẫu nhiên
• Gt 2: E(U) = 0
• Gt 3: Var(ui) = σ2 > 0 ∀ i ⎫
⎬ Cov ( U ) = σ 2
E
• Gt 4: Cov(ui , uj) = 0 ∀ i ⎭
Với E là ma trận đơn vị

• Gt 5: Cov(X , U) = 0
• Gt 6: Các biến độc lập không có quan hệ cộng tuyến.
 3.2. Các giả thiết LS
• Định lý: Khi các giả thiết của phương pháp LS được
thỏa mãn, thì
βˆ = ( X′X) −1 X′Y
là ước lượng tuyến tính, không chệch, tốt nhất của β
 3.3. Tham số của các ước lượng LS
• Kì vọng của ước lượng: E (βˆ ) = β

• Ma trận phương sai, hiệp phương sai

⎛ Var ( βˆ1 ) Cov( βˆ1 , βˆ2 ) ... Cov( βˆ1 , βˆk ) ⎞

⎜ ⎟
⎜ Cov ( ˆ , βˆ )
β Var ( β ˆ) ... Cov( βˆ2 , βˆk ) ⎟
Cov(βˆ ) = ⎜ 2 1 2
⎟ = σ 2
( X′X ) −1

... ... ... ...

⎜ ⎟
⎜ Cov( βˆ , βˆ ) Cov( βˆ , βˆ ) ... Var ( βˆk ) ⎟⎠
⎝ k 1 k 2
 3.3. Tham số của các ước lượng LS

• Độ lệch chuẩn: σ ( βˆ j ) = Var ( βˆ j )

• Không có giá trị σ2 , thay bởi

n
∑ i
e
e′e
2

σˆ =
2
= i =1

n−k n−k
• Thay vào, tính được các phương sai, độ lệch chuẩn mẫu,
hiệp phương sai mẫu
Se( βˆ j ) ; cov( βˆi , βˆ j )
 4. Phân tích các hệ số
4.1. Quy luật phân phối xác suất
• Giả thiết: Sai số ngẫu nhiên phân phối chuẩn ui ~ N(0,σ2)

( )
βˆ j ~ N ⎜ β j ; σ ( βˆ j ) ⎞⎟
⎛ 2
Suy ra
⎝ ⎠
βˆ j − β j βˆ j − β j
U= ~ N (0,1) T= ~ T (n − k )
σ ( βˆ j ) Se( βˆ j )

• Ước lượng khoảng với độ tin cậy (1 - α )

• Kiểm định giả thiết với mức ý nghĩa α
 4.2. Ước lượng khoảng
• Cho từng hệ số hồi quy

ˆβ − Se( βˆ )t ( n−k ) < β < βˆ + Se( βˆ )t ( n−k )

j j α/2 j j j α/2

• Hai hệ số hồi quy

( βˆi ± βˆ j ) − Se( βˆi ± βˆ j ) tα( n/−2k ) < β i ± β j < ( βˆi ± βˆ j ) + Se( βˆi ± βˆ j ) tα( n/−2k )

Se( βˆi ± βˆ j ) = Var ( βˆi ± βˆ j ) = Var ( βˆi ) + Var ( βˆ j ) ± 2Cov( βˆi , βˆ j )

 4.2. Ước lượng khoảng
• Tổ hợp tuyến tính các hệ số:

Var (aβˆi ± bβˆ j ) = a 2Var (βˆi ) + b2Var (βˆ j ) ± 2abCov(βˆi , βˆ j )

• Ước lượng phương sai sai số ngẫu nhiên

(n − k )σˆ 2
(n − k )σˆ 2
<σ 2 <
χα2(/ n2−k ) χ12(−αn−/ 2k )
RSS RSS
<σ <
2

χ 2( n − k )
α /2 χ12(−αn−/ 2k )
 4.2. Kiểm định giả thuyết
Tiêu chuẩn Cặp giả thuyết Bác bỏ H0

⎧H 0 : β j = β *j
⎨
H : β ≠ β * | Tqs |> tα( n/−2k )
⎩ 1 j j

ˆ
βj −βj *

Tqs =
⎧H 0 : β j = β *j
( n−k )
Se( βˆ ) ⎨ Tqs > tα
j H
⎩ 1 j: β > β *
j

⎧H 0 : β j = β *j
⎨ Tqs < −tα( n−k )
H
⎩ 1 j: β < β *
j
 4.2. Kiểm định giả thuyết
• Trường hợp hai hệ số
⎧⎪H 0 : β i ± β j = β * ( βˆi ± βˆ j ) − β *
⎨ Tqs =
H :
⎪⎩ 1 i β ± β j ≠ β *
Se( βˆ ± βˆ )
i j

Quy tắc bác bỏ tương tự trường hợp 1 hệ số

• Có thể mở rộng cho một số trường hợp khác

 5. Sự phù hợp của hàm hồi quy
5.1. Hệ số xác định
ESS RSS
R =
2
= 1− ∈ [ 0,1]
TSS TSS

• Cho biết tỉ lệ (%) sự biến động của biến phụ thuộc

được giải thích bởi tất cả các biến độc lập.
• Hệ số xác định điều chỉnh (Adjusted R-squared)
RSS /(n − k ) 2 n −1
R = 1−
2
= 1 − (1 − R )
TSS /(n − 1) n−k
 5.2. Kiểm định sự phù hợp
• Kiểm định cặp giả thuyết
⎧H 0 : R 2 = 0 ⎧ H 0 : β2 = ... = βk = 0
⎨ ⇔⎨
>0 ⎩H1 : ∃β j ≠ 0 ( j ≠ 1)
2
H
⎩ 1 : R
ESS /(k − 1) R2 n−k
Fqs = = ×
RSS /(n − k ) 1 − R 2
k −1
( k −1,n − k )
Fqs > Fα Thì bác bỏ H0
 5.3. Kiểm định thu hẹp hồi quy
• Xét mô hình
k
E (Y / X 2 ,..., X k ) = β1 + β2 X 2 + ... + βk X k = ∑ β j X j (1)
j =1

• Nghi ngờ m biến Xk–m+1,…, Xk không giải thích cho Y

• Kiểm định cặp giả thuyết thu hẹp:

⎧H 0 : βk −m+1 = ... = βk = 0
⎨
⎩H1 : ∃β j ≠ 0 : ( j = k − m + 1 ÷ k )
 5.3. Kiểm định thu hẹp hồi quy
• Bỏ m biến khỏi mô hình
k −m
E (Y / X 2 ,..., X k −m ) = β1 + ... + βk −m X k −m = ∑ β j X j (2)
j =1
• Mô hình nhiều hệ số gọi là mô hình lớn (L)
• Mô hình ít hệ số gọi là mô hình nhỏ (N)
• Tính các giá trị RSS, R2 của mô hình (L) và (N)
RSS(N) − RSS(L) n − k R(L) 2
− R(N)
2
n−k
Fqs = × = ×
RSS(L) m 1 − R(L)
2
m
( m ,n − k )
Fqs > F α thì bác bỏ H0
 6. Dự báo
• Khi (
X0 = 1 X 20 X 30 ... X k0 )
• Ước lượng điểm
Yˆ0 = X0βˆ = βˆ1 + βˆ2 X 20 + ... + βˆk X k0
• Ước lượng khoảng
Yˆ0 − Se(Yˆ0 )tα( n/ −2k ) < E (Y / X0 ) < Yˆ0 + Se(Yˆ0 )tα( n/ −2k )

Se(Yˆ0 ) = σˆ X0′ ( X′X) −1 X0

Chương 4. MÔ HÌNH VỚI BIẾN GIẢ
• 1. Biến định tính
• 2. Biến giả
• 3. Mô hình có biến độc lập là định lượng và
định tính
• 4. Kiểm định Chow
 1. Mô tả biến định tính
• Y là biến định lượng
• Biến định tính có hai trạng thái A và Ā
• Đặt D = 1 nếu quan sát ở trạng thái A
D = 0 nếu quan sát không ở A (tức là ở Ā)
• Mô hình: E(Y / D) = β 1 + β 2D
Trạng thái A E(Y / D= 1) = β 1 + β 2
Trạng thái Ā E(Y / D= 0) = β 1
Nếu β 2 ≠ 0 thì Y có phụ thuộc vào biến định tính.
• D gọi là biến giả (dummy variable)
 2. Đặt biến giả
2.1. Quy tắc đặt biến giả
• Chỉ nhận giá trị (0 ; 1)
• Mỗi cá thể trong tổng thể đều phải có giá trị của biến
giả
• Các biến giả phân chia tổng thể thành những phần
riêng biệt tương ứng với các phạm trù của biến định
tính
• Trường hợp biến định tính A có m phạm trù A1, A2,…,
Am → đặt (m – 1) biến giả
 2.1. Quy tắc đặt biến giả

⎧ 1 : quan sát ở trạng thái A1

D1 = ⎨
⎩ 0 : quan sát không ở trạng thái A1
…

⎧ 1 : quan sát ở trạng thái Am –1

Dm−1 = ⎨
⎩ 0 : quan sát không ở trạng thái Am –1

• Am là trạng thái gốc.

• Ví dụ: Thu nhập trung bình có phụ thuộc vào các miền
(Bắc, Trung, Nam) ?
76
 2.2. Trường hợp nhiều biến định tính
• Ví dụ: Thu nhập trung bình có phụ thuộc vào Giới tính
(nam, nữ) và Khu vực (thành thị, nông thôn)?
• Khi có nhiều biến định tính, đặt các biến giả tương ứng
với mỗi biến định tính, và các tích chéo
 3. Mô hình có biến độc lập là định
lượng và định tính
• Biến độc lập X : định lượng
• Mô hình E(Y / X) = [Hệ số chặn] + [Hệ số góc] X
• Biến định tính có hai trạng thái A và Ā
• Đặt 1 biến giả
D = 1 nếu quan sát ở A
D = 0 nếu quan sát không ở A (ở Ā)
 3. Mô hình có biến độc lập là định
lượng và định tính
• Mô hình dạng E(Y / D) = β 1 + β 2X + β 3D
Tại A : E(Y / D = 1) = (β 1 + β 3) + β 2X
Tại Ā : E(Y / D = 0) = β 1 + β 2X
(Mô hình biến định tính tác động đến hệ số chặn)
• Mô hình dạng E(Y / D) = β 1 + β 2X + β 3D.X
Tại A : E(Y / D = 1) = β 1 + (β 2 + β 3) X
Tại Ā : E(Y / D = 0) = β 1 + β 2X
(Mô hình biến định tính tác động đến hệ số góc)
 3. Mô hình có biến độc lập là định
lượng và định tính
• Mô hình dạng
E(Y / D) = β 1 + β 2X + β 3D + β 4D.X
Tại A: E(Y / D = 1) = (β 1 + β 3) + (β 2 + β 4) X
Tại Ā : E(Y / D = 0) = β1 + β 2X
(Mô hình biến định tính tác động đến cả hai hệ số)
⎧ H 0 : β 3 = β 4 = 0 Hàm hồi quy đồng nhất
⎨
H
⎩ 1 3: β 2
+ β 4 ≠ 0 Hàm hồi quy không đồng nhất
2

Dùng kiểm định F của thu hẹp hồi quy

 4. Kiểm định Chow
• Kiểm định về sự đồng nhất của hàm hồi quy

Toàn bộ tổng thể E (Y / X ) = β1 + β 2 X

Trong A : E (Y / X ) = β1′ + β 2′ X
Trong Ā : E (Y / X ) = β1′′+ β 2′′X

⎧ H 0 : β1′ = β1′′ and β2′ = β2′′ Hàm hồi quy đồng nhất
⎨
⎩ H1 : β1′ ≠ β1′′ or β2′ ≠ β2′′ Hàm không đồng nhất
 4. Kiểm định Chow
• Lấy mẫu W1 kích thước n1 trong A, → RSS1
• Lấy mẫu W2 kích thước n2 trong Ā , → RSS2
• Với W = W1∪W2 kích thước n1+ n2, → RSS
• Đặt RSS = RSS1 + RSS2

RSS − RSS n1 + n2 − 2k
Fqs = ×
RSS k

Fqs > Fα( k ;n1 + n2 −2 k ) thì bác bỏ H0

82