Câu 1: Các loại kiểm định

Kiểm định hiện tượng đa cộng tuyến Kiểm định tự tương quan với dữ liệu bảng

Xét VIF, nếu đều bé hơn 2 thì không có
hiện tượng đa cộng tuyến và ngược lại
Kiểm định tính dừng
Nếu Prob>F>5%, chấp nhận giả thiết Ho (không có hiện tượng tự tương quan-
đây là điều mong đợi khi làm bài), và ngược lại
Kiểm định tính phù hợp của mô hình

So sánh giá tr cị tuyệt đốiủa Critical và

Statistic nếu C<S thì chuỗi có tính dừng và
ngược lại

Nếu Prob>z>0.05 thì phần dư của mô hình không có phân phối chuẩn nhưng
mô hình là phù hợp để phân tích thống kê và ngược lại.
Kiểm định phương sai phần dư thay đổi Kiểm định ngoại sinh

Nếu P-value<5% thì chấp nhận H1 nghĩa Nếu P-value >5% thì chấp nhận Ho, tức không bị ngoại sinh và ngược lại.

là phương sai thay đổi và ngược lại

Câu 2: Hệ số có ý nghĩa trong mô hình Stata, viết lại mô hình hồi quy (dựa theo bài mẫu)

Từ đây có thể viết phương trình hồi quy như sau:

HAILONG = -0.9573228 + 0.1577172 * TINCAY + 0.1859064 * DAPUNG + 0.2044715 * DAMBAO + 0.3033652 *CAMTHONG +
0.2165845 * HUUHINH + 0.2225405 *MINHBACH
Giải thích ý nghĩa hệ số hồi quy. Khi các điều kiện khác không đổi, khi biến TINCAY tăng 1 đơn vị thì biến HAILONG tăng
0.1577172 đơn vị. Tương tự giải thích cho các biến khác

Number of obs =     222  Số quan sát là 222 mẫu
 F(  6,   215) =   72.12 Giá trị kiểm định F 6 nhân tố và 215 bậc tự do
 Prob > F      =  0.0000 Mức ý nghĩa của kiểm định F, ở đây bé hơn 5% chứng
tỏ R bình phương của tổng thể khác 0. Nói cách khác là các hệ số hồi quy
của phương trình hồi quy tổng thể không đồng thời bằng 0
R-squared     =  0.6681 R bình phương
 Adj R-squared =  0.6588 R bình phương hiệu chỉnh, nghĩa là các biến độc
lập giải thích được 65.88% biến thiên của biến phụ thuộc( chuẩn là
R2>50%)
 Root MSE      =  .43288
Coef.   : cột này là giá trị hệ số hồi quy chưa
chuẩn hóa
Std. Err.   Sai số chuẩn
P>|t|  p-value, nếu giá trị này bé hơn 5%
( 0.05) thì mối quan hệ giữa biến độc lập
này và biến phụ thuộc có ý nghĩa thống kê.
Beta: là hệ số hồi quy đã chuẩn hóa.
Câu 3: Nếu giả định đa cộng tuyến vi phạm, hậu quả là gì
Sai số chuẩn của các hệ số sẽ lớn. Khoảng tin cậy lớn và thống kê t ít ý nghĩa. Các ước lượng không thật chính xác. Do đó chúng
ta dễ đi đến không có cơ sở bác bỏ giả thiết "không" và điều này có thể không đúng.
Câu 4: Tính dừng
Khái niệm: một chuỗi thời gian là dừng khi giá trị trung bình, phương sai, hiệp phương sai (tại các độ trễ khác nhau) giữ nguyên
không đổi cho dù chuỗi được xác định vào thời điểm nào đi nữa. Chuỗi dừng có xu hướng trở về giá trị trung bình và những dao
động quanh giá trị trung bình sẽ là như nhau. Nói cách khác, một chuỗi thời gian không dừng sẽ có giá trị trung bình thay đổi
theo thời gian, hoặc giá trị phương sai thay đổi theo thời gian hoặc cả hai.
Hiện tượng xảy ra: Chuỗi dừng, chuỗi không dừng (Ta xét giá trị Test statatistic ( Gọi tắt là Test) với 1% Critical Value ( Gọi tắt là
Value). Nếu giá trị tuyệt đối của Test > Giá trị tuyệt đối của Value, thì dữ liệu có tính dừng, tính ổn định, chuỗi dừng, chuỗi ổn
định)
Câu 6: Logit & Probit
Tùy theo dạng biến phụ thuộc mà chúng ta những mô hình hồi quy tương ứng như sau:
● Nếu biến phụ thuộc có dạng nhị phân (giá trị 0 và 1) thì mô hình phù hợp là mô hình logit hoặc mô hình probit.
● Nếu biến phụ thuộc có dạng thứ tự (hạng 1, hạng 2, hạng 3...) thì mô hình phù hợp là mô hình logit thứ tự hoặc mô hình
probit thứ tự.
● Nếu biến phụ thuộc có dạng định danh thì mô hình sử dụng phù hợp là mô hình logit hoặc probit đa bậc, hoặc mô hình logit
có điều kiện.

Các mô hình logit vs probit đều dựa trên phương pháp ước lượng hợp lí tối đa ML (Maximum likelihood). Ước lượng hợp lí tối
đa đòi hỏi một giả định về dạng hàm phân phối xác suất, chẳng hạn hàm logit và hàm bù log-log. Các mô hình Logit sử dụng
hàm phân phối Logit chuẩn trong khi các mô hình Probit giả định hàm phân phối chuẩn chuẩn hóa
Sự khác nhau giữa Logit vs Probit chủ yếu tập trung ở hàm phân phối của các sai số nhiễu
 
Câu 7:
Mô hình logit

Trong đó, Pi= xác suất hút thuốc (tức là Yi=1) và

Xác suất của Y=0, nghĩa là một người không phải là người hút thuốc, được cho bởi:

Mô hình Probit
Trong đó Pr(Y/X) có nghĩa là xác suất mà một biến cố xảy ra (ví dụ có hút thuốc) khi cho trước các giá trị của các biến X và X là
biến chuẩn hóa (tức là biến chuẩn với trung bình bằng 0 và phương sai bằng 1). F là CDF chuẩn hóa, trong ngữ cảnh hiện tại có
thể viết lại như sau

Vì P thể hiện xác suất mà một người hút thuốc, nên nó được đo bằng phần diện tích của đường cong CDF chuẩn hóa từ -(vô
cực) đến li. Trong ngữ cảnh hiện tại F(li) được gọi là hàm Probit
 
 
 

TÀI CHÍNH ĐỊNH LƯỢNG

Câu 1: 

a.  Trong phương pháp hồi quy OLS, nếu giả định phần dư độc lập với nhau bị vi phạm, hiện tượng gì sẽ xảy ra? Và ước
lượng hệ số beta sẽ bị ảnh hưởng như thế nào?

● Nếu giả định phần dư độc lập với nhau  bị vi phạm thì sẽ xảy ra hiện tượng đa cộng tuyến.
● Nếu xảy ra đa cộng tuyến hoàn hảo thì không xác định được hệ số beta
● Nếu xr đa cộng tuyến không hoàn hảo thì phương sai lớn => Khoảng tin cậy các hệ số beta lớn => vẫn xác định
được beta nhưng không chính xác, dấu có thể sai

b.  Hãy nêu ít nhất 2 giả định chính của pp kiểm định Durbin-Watson?

Kiểm định Durbin-Watson dùng trong trường hợp:

- Không có giá trị trễ của biến phụ thuộc là biến giải thích

- Không mất quan sát

Câu 2: Cho mô hình hồi quy tuyến tính

a.  Giải thích ý nghĩa của các hệ số?

- Liquid: Nếu Liquid tăng 1% thì tỷ suất lợi nhuận của Vinamilk tăng trung bình 0.6% với các điều kiện khác không đổi.

- R(premium): Nếu R(premium) tăng 1% thì tỷ suất lợi nhuận của Vinamilk tăng trung bình 1.2% với các điều kiện khác không
đổi.

- Cons: Nếu hai hệ số Liquid, R(premium) không có giá trị thì tỷ suất lợi nhuận của Vinamilk đạt trung bình là 7.3%.

b.  Khi > 1.96, chúng ta có thể bác bỏ giả thiết Ho: Bo = 0 với

H1: B1＃0. Do đó dựa vào bảng kết quả ta có βo và β2 có ý nghĩa và β1 không có ý nghĩa tại mức 5%

Câu 3:

a. Thế nào là đa cộng tuyến hoàn hảo, đa cộng tuyến một phần. Cho ví dụ cụ thể từng trường hợp.
- Đa cộng tuyến hoàn hảo: Là khi 2 hoặc nhiều biến độc lập có quan hệ hoàn toàn với nhau thông qua một phương trình
cụ thể không tồn tại biến ngẫu nhiên.

Ví dụ: X2 = ʎX3

- Đa cộng tuyến một phần: Là khi 2 hoặc nhiều biến độc lập có quan hệ hoàn toàn với nhau thông qua một phương trình
cụ thể có tồn tại biến ngẫu nhiên.

Ví dụ: X2 = ʎX3 + ɛ

b. Hãy nêu một phương thức kiểm định đa cộng tuyến trong mô hình tuyến tính?

VIF

Câu 4: Thế nào là mô hình tự hồi quy? Cho vd về mô hình tự hồi quy bậc 3 và cách kiểm định bậc tự hồi quy chính xác của nó?

- Mô hình tự hồi quy: Là mô hình có chứa 1 hay một số giá trị trễ của biến phụ thuộc trong số các biến độc lập.

- VD mô hình tự hồi quy bậc 3 và cách kiểm định bậc tự hồi quy chính xác của nó: 

* Ví dụ: Mô hình AR(2): Xt = a0 + a1 Xt-1 + a2. Xt-2 + a3.Xt-3 + t

Để kiểm định bậc tự hồi quy chính xác ta dựa vào 2 dạng đồ thị SAC=f(t) và SPAC=f’(t): Đồ thị SAC giảm dần và đồ thị SPAC
có đỉnh tại p (bậc tự hồi qui) 

Ý nghĩa của trị số p value

Ý nghĩa của p-value, sig là xác suất của dữ liệu xảy ra nếu giả thiết vô hiệu H0 là đúng. Nghĩa là có bao nhiêu phần
trăm của dữ liệu thỏa mãn trị số P. Giả sử P =2%, thì có 2% dữ liệu trong bộ số liệu thỏa mãn điều kiện nào đó.

Ví dụ: H0: Không có sự khác biệt giữa hai nhóm, không có mối tương quan giữa X và Y.
H0 thường được giả định đúng trong thủ tục kiểm định giả thuyết. Và người ta sẽ cố tìm cách để chứng minh H0 sai.
Ví dụ một tuyên bố của nhà sản xuất thường bị nghi ngờ và để trong phát biểu trong H0.

H1 là phát biểu ngược với H0

H1 được kết luận là đúng nếu H0 bị bác bỏ
Nhà nghiên cứu mong muốn ủng hộ H1 và nghi ngờ H0

EX: Xem xét một bị cáo trong phiên xử hình sự. Giả thuyết không là bị cáo “vô tội” và giả thuyết ngược lại và bị cáo
“có tội”. Giả định là bên bị đơn là vô tội và bên nguyên đơn phải chứng minh được rằng bên bị đơn là có tội, nghĩa là,
thuyết phục ban bồi thẩm bác bỏ giả thuyết không. Nếu ban bồi thẩm tuyên bố một người vô tội “không có tội” hoặc
một người phạm tội “có tội”, một quyết định đúng đã được thực hiện. Nếu một người vô tội bị tuyên bố có tội, ta
phạm phải sai lầm loại I vì giả thuyết đúng đã bị bác bỏ. Sai lầm loại II xảy ra khi một người có tội được tuyên bố
trắng án.

Thủ tục kiểm định giả thuyết cổ điển là chọn giá trị cực đại cho sai lầm loại I chấp nhận được với người phân tích và
sau đó đưa ra quy tắc quyết định sao cho sai lầm loại II là thấp nhất. Trong ví dụ về phiên tòa hình sự, điều này có
nghĩa là chọn quy tắc ra quyết định sao cho số lần người vô tội bị kết tội không vượt qua một số phần trăm số lần
nào đó (chẳng hạn, 1%) và cực tiểu xác suất người có tội được thả tự do.

Mô hình tự hồi quy : 

Dự đoán một biến dựa trên giá trị quá khứ của biến đó. VD: giá của 1 thứ gì đó, số lượng mà bạn muốn mua, số lượng căn nhà
bán ra trong 1 tháng

Phương sai phần dư không thay đổi