Hiệp Phương Sai giữa 2 Biến Ngẫu Nhiên X và Y, Đôi Khi gọi là Phương Sai Tổng Thể nhấn

mạnh
rằng nó đặc trưng cho Quan Hệ giữa 2 Biến Mô Tả một Tổng Thể, được định nghĩa nởi Giá Trị Kỳ
Vọng của Product

cov ( X , Y )=σ xy ≡ E ( ( X−μ x ) ( Y −u y ) ) B.26

Có những cách định nghĩa khác cũng sẽ có ích để tính Hiệp Phương Sai của x , y :

cov ( X , Y )=E [ ( X−µ X ) Y ]=E [ X ( Y −µY ) ]

¿ E ( XY )−µ X uY B.27

Theo như Phương Trình 2.7, nếu E ( X ) =0 hoặc E ( Y )=0, vậy cov ( X , Y )= E ( XY )
Hiệp Phương Sai đo lường Sự Phụ Thuộc Tuyến Tính giữa 2 biến.
Hiệp Phương Sai Dương có nghĩa là 2 Biến Ngẫu Nhiên thay đổi cùng chiều với nhau, trong khi
Hiệp Phương Sai Âm có nghĩa là 2 BNN thay đổi ngược chiều với nhau

Biểu Diễn Kích Thước của Hiệp Phương Sai có thể sẽ gây ra 1 chút nhầm lẫn.
Bởi vì Hiệp Phương Sai là Sự Đo Lường 2 BNN Quan Hệ như thế nào, tất nhiên phải đặt câu hỏi
Hiệp Phương Sai liên quan đến khái niệm Độc Lập (Không Phụ Thuộc) như thế nào

 Property cov.1: Nếu X và Y là Độc Lập, vậy cov ( X , Y )=0 (chỉ đúng nếu X và Y có quan
hệ tuyến tính, và chiều ngược lại của lập luận luận này là ko đúng)
 Property cov.2: cov ( a 1 X + b1 ,a 2 Y +b 2 )=a 1 a 2 cov ( X , Y ) (Chỉ dẫn của Phương Trình này
là Hiệp Phương Sai giữa 2 BNN có thể được Thay Thế đơn giản bằng cách nhân Phương
Sai của 1 hoặc cả 2 BNN cho hằng số)
 Property cov.3: |cov ( x , y )|≤ σ X ⋅ σ Y

Giả sử chúng ta muốn biết quan hệ giữa 2 BNN X và Y trong một Tổng Thể. Chúng ta có thể tính
Hiệp Phương Sai của chúng. Nhưng kết quả chúng ta nhận được tùy thuộc vào Chúng ta chọn
cách đo lường BNN X và Y như thế nào
Property cov.2 chỉ ra rằng Hiệp Phương Sai giữa X và Y phụ thuộc vào cách đo lường (cách tính,
đơn vị) của 2 BNN.
Rõ ràng là Chúng ta Đo lường 2 BNN như thế nào không ảnh hưởng đến Mức Độ Liên Hệ của X
và Y. Nhưng Hiệp Phương Sai của chúng có phụ thuộc vào đơn vị đo
Sự thật là là sự sai sót Hiệp Phương Sai phụ thuộc vào Đơn Vị Đo có thể được khắc phục bằng
Hệ Số Tương Quan giữa X và Y
cov ( X , Y )
corr ( X , Y ) = (B.29)
σ X σY

Kích thước của Hệ Số Tương Quan sẽ dễ dàng biểu diễn hơn Kích thước của Hiệp Phương Sai
bởi các tính chất sau:

 Property corr.1: −1 ≤ corr ( X ,Y ) ≤ 1

(nếu Hệ Số Tương Quan của X và Y là bằng 0, hoặc tương đương với Hiệp Phương Sai
của X và Y bằng 0, vậy ta X và Y không có Mối Quan Hệ Tuyến Tính, cũng có nghĩa chúng
là 2 BNN Không Tương Quan; trong trường hợp khác, X và Y là Có Tương Quan;
Trường hợp Hệ Số Tương Quan bằng 1 chỉ ra Quan Hệ Tuyến Tính Dương Hoàn Hảo, có
nghĩa là chúng ta có thể viết Y =a+bX với một vài hằng số a một vài hằng số b> 0; và
tương tự ngược lại với trường hợp Hệ Số Tương Quan bằng -1. Hai Trường hợp này
Hiếm khi xảy ra, giá trị Hệ Số Tương Quan càng gần 1 hoặc -1 thì Quan Hệ Tuyến Tính
càng mạnh
 Property corr.2: corr ( a1 X +b1 , a2 Y + b2 )=corr ( X , Y ) if a 1 a 2>0
corr ( a1 X +b1 , a2 Y + b2 )=−corr ( X , Y ) if a 1 a 2<0

(Ví dụ, gỉa sử Hệ Số Tương Quan của X và Y trong Tổng Thể là 0.15; Thì, Sự Đo Lường này
không phụ thuộc vào đơn vị đo của cả X và Y)

Có những Tính Chất Cơ Bản về Trung Bình khá quan trọng.

Giả sử chúng ta lấy mỗi giá trị quan sát được của x và trừ đi trung bình mẫu , ta được Độ Lệch Chuẩn:
ⅆi ≡ x i−x , lấy tổng tất cả chúng luôn cho kết quả bằng zero:
n

∑ ( xi −x ) =0
i=1

Để khắc phục điều này, chúng ta tính Tổng Bình Phương của tất cả Độ Lệch Chuẩn Mẫu:
n n n

∑ ( xi −x ) =∑ x i ( x i−x ) =∑ x i −n ( x )
2 2 2

i=1 i=1 i=1

Vậy ta suy ra được:

 n n

∑ ( xi −x ) ( y i − y )=∑ x i ( y i− y )
i=1 i=1

Proportions và Percentage có một vai trò quan trọng trong Kinh tế ứng dụng nên nó cần thiết cho
chúng ta để làm việc với chúng một cách thoải mái. Nhiều báo cáo số liệu trên những trang báo dưới
dạng Phần Trăm; một vài ví dụ là Lãi Suất, Tỉ Lệ Thất Nghiệp và Tỉ lệ Tốt Nghiệp Trung học.

Một kỹ thuật quan trọng đó là có khả năng chuyển Tỷ Lệ sang Phần Trăm và ngược lại. Một Phần
Trăm có thể dễ dàng có được bằng cách nhân Tỷ Lệ cho 100. Chúng ta phải cẩn trọng với Tỷ Lệ khi nó
được báo cáo sai dưới dạng Phần Trăm trên các kênh thông tin

Trong Kinh tế lượng, chúng ta thường quan tâm đến đo lường sự thay đổi của các định lượng. Cho x
ký hiệu cho một vài biến, như là Thu nhập cá nhân, con số tội phạm đươc bảo đảm của xã hội, hoặc là lợi
nhuận của doanh nghiệp. Lấy x 0 và x 1 ký hiệu cho 2 giá trị của x : x 0 là giá trị ban đầu, x 1 là giá trị có sau
đó. Tỉ lệ thay đổi của x thay đổi từ x 0 đến x 1 là:

( x 1−x 0 ) Δx
= (A.14)
x0 x0
Nói cách khác, để có được proportionate change của x , chúng ta chỉ cẩn chia Δx cho giá trị ban đầu
x 0. Nếu ta nhân (A.14) cho 100% ta có percentage change của x thay đổi từ x 0 đến x 1

Biểu diễn tính toán percentage change có thể bị nhầm lẫn khi biến quan tâm có đơn vị là Phần Trăm,
đôi khi nó xảy ra thường xuyên trong kinh tế và khoa học xã hội.

Phương trình phi tuyến tính đóng vai trò quan trọng nhất trong phân tích kinh tế lượng đó chính là
natural logarith. Trong phần tiếp theo, chúng ta ký hiệu natural logarithm, hàm mà chúng ta thường
muốn đơn giản coi là log function, là:

y=log ⁡( x ) (A.21)

Chúng ta có thể nhớ lại những ký hiệu khác nhau cho log tự nhiên: ln ( x ) hay log e ( x ) là phổ biến
nhất. Những ký hiệu khác nhau rất hữu ích khi logarit với một số cơ số khác nhau đang được được sử
dụng. Cho mục đích của chúng ta, chỉ có hàm log ⁡(x), hàm loga tự nhiên là quan trọng. Điều này tương
tự với việc sử dụng ký hiệu trong những môn học thống kê, mặc dù một số sử dụng ln ( x )(và phần lớn
tính toán dùng hàm này). Kinh tế lượng dùng cả log ( x ) và ln ⁡( x), kiến thức này sẽ hữu dụng khi bạn đọc
tin tức về kinh tế ứng dụng.

Hàm y=log ⁡( x ) chỉ được xác định khi x >0. Tìm hiểu làm sao để có được giá trị y từ x không cần
thiết. Nhiều điều xuất hiện rõ ràng trong đồ thị của hàm y=log ⁡( x ). Đầu tiên, khi y=log ⁡( x ), quan hệ
giữa y và ⁡x trình bày giá trị biên giảm dần. Một điều khác biệt quan trọng giữa hàm log và hàm bậc hai
là khi y=log ⁡( x ), tác động của x lên y không bao giờ là âm.
 Thỉnh thoảng chúng ta cần tiền để từ tính chất của hàm log.

Việc logarit hóa có thể sử dụng cho nhiều phép tính xấp xỉ xuất hiện trong ứng dụng kinh tế lượng.
Đầu tiên, log ( 1+ x ) ≈ x nếu x ≈ 0. Có thể hữu dụng hơn với sự thật là hiệu của những log có thể được
dùng để tính xấp xỉ proportionate changes. Cho x 0 và x 1 đều lớn hơn zero, ta có:

x1 −x0 Δx
log ( x 1 )−log ( x 0 ) ≈ = (A.22)
x0 x0
Với thay đổi nhỏ của x . Nếu ta nhân phương trình (A.22) cho 100 và viết
Δ log ( x )=log ( x1 ) −log ( x 0 ), vậy:

100 ⋅ Δ log ( x ) ≈%Δx (A.23)

Định nghĩa nhỏ ở đây còn tùy vào trường hợp

Tại sao chúng ta tính xấp xỉ percentage change using (A.23) khi mà nó có thể được tính chính xác?
Trong thoáng chốc, chúng ta sẽ thấy tại sao việc tính xấp xỉ trong (A.23) hữu dụng trong kinh tế lượng.
Đầu tiên, cùng xem tính xấp xỉ có tốt không trong 2 ví dụ sau:

Giả sử x 0=40 , x 1=41. Vậy percentage change của x là 2.5%, sử dụng công thức log ta được 2.47%,
rất gần 2.5%. Nếu x 0=40 , x 1=60 , chúng lần lượt là 50% và 40.55%, một khác biệt lớn. Tại sao công
thức tính xấp xỉ chỉ sử dụng hiệu qua với thay đổi nhỏ của x ? Để giải thích, chúng ta trước hết định
nghĩa elasticity của y đối với x là:

Δy x %Δy
⋅ = (A.24)
Δx y %Δx
Nói cách khác, elasticity của y đối với x là percentage change của y khi x tăng 1%

Nếu y là hàm tuyến tính của x , y=β 0 + β 1 x , vậy elasticity là:

Δy x x x
⋅ =β 1 ⋅ =β 1 ⋅ (A.25)
Δx y y β 0+ β 1 x

Và elasticity rõ ràng phụ thuộc vào giá trị của x . Elasticity có vai trò quan trọng trong ứng dụng kinh
tế học, không chỉ là với lý thuyết cầu, nó thuận tiện trong nhiều trường hợp nếu ta có Mô hình cố định
elasticity, và hàm log cho phép chúng ta cụ thể hóa mô hình như vậy. Nếu ta dùng công thức tính xấp xỉ
(A.23) cho cả x và y , vậy the elasticity là xấp xỉ bằng Δ log ( y ) / Δlog ⁡(x ). Suy ra được là Mô hình cố
định elasticity được tính xấp xỉ bằng:

log ( y )=β 0 + β 1 log ⁡(x ) (A.26)

Và β 1 là elasticity của y đối với x ( giả định rằng y >0 , x> 0 ¿

Ví dụ: Nếu q là Lượng cầu thì p là giá và các biến này liên hệ bằng biểu thức:
 log ( q )=4.7−1.25 log ⁡(p)
Vậy Hệ Số Co Giãn theo giá là -1.25. Nói một cách khái quát, 1% tăng của giá sẽ giảm lượng cầu đi
1.25%

Cho mục đích của chúng ta, sự thật β 1 trong (A.26) chỉ gần với Hệ Số Co Giãn không quan trọng.
Trong thực tế, khi Hệ Số Co Giãn được xác định bằng phép tính chính xác. Cho mục đích của phân tích
kinh tế lượng, (A.26) xác định Mô Hình Cố Định Hệ Số Co Giãn. Mô hình như vậy có vai trò to lớn trong
kinh tế thực nghiệm.

Một khả năng sử dụng hàm log thường xuất hiện trong công việc thực tế, giả sử y >0 và:

log ( y )=β 0 + β 1 x (A.27)

Vậy, Δ log ( y ) =β 1 Δx , nên 100. Δ log ( y )=(100. β 1 ) Δx , ta suy ra được phương trình:

%Δy=(100. β 1) Δx (A.28)

Ví dụ: giả sử lương theo giờ và năm education được liên hệ như sau:
log ( wage )=2.78+0.094 educ
Sử dụng phương trình (A.28), ta được:

%Δwage ≈ 100 ( 0.094 ) Δeduc=9.4 Δeduc

Vậy nghĩa là tăng thêm 1 năm education lương theo giờ sẽ tăng 9.4%

Nhìn chung, kết quả %Δy / Δx gọi là semi-elasticity của y đối với x . Một quan hệ khác của các
biến quan tâm được ứng dụng trong kinh tế là:
y=β 0 + β 1 log ( x ) (A.29)

Δy =( β1 /100)(%Δx) (A.30)