Professional Documents
Culture Documents
Slide Bu I 1
Slide Bu I 1
ˆβ = XY − X .Y βˆ1 = Y − βˆ 2 X
2
X 2 − ( X )2
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
σ ( βˆ j ) = Var ( βˆ j ) j = 1, 2
31
2.3. Các tham số của ước lượng
n
∑ i
e 2
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)
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 )
⎧⎪H 0 : β j = β *j
• Cặp giả thuyết ⎨
H :
⎪⎩ 1 j β < β *
j
⎧H 0 : β 2 = 0
• Cặp giả thuyết cơ bản ⎨
⎩ H1 : β 2 ≠ 0
ˆ
β
Tqs* = 2
Se( βˆ2 )
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
ESS RSS
R =
2
= 1−
TSS TSS
0 ≤ R2 ≤ 1
⎧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
• 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
∑( )
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
⎧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
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 )
( βˆi ± βˆ j ) − Se( βˆi ± βˆ j ) tα( n/−2k ) < β i ± β j < ( βˆi ± βˆ j ) + Se( βˆi ± βˆ j ) tα( n/−2k )
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
⎧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 )
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
82