Professional Documents
Culture Documents
GIỚI THIỆU:
- Kinh tế lượng = Lý thuyết kinh tế + Thống kê toán + Số liệu thực tế
- Ứng dụng của Kinh tế lượng:
+ Ước lượng, đo lường các mối quan hệ kinh tế
+ Đối chiếu lý thuyết kinh tế với thực tế và kiểm định sự phù hợp của
các lý thuyết kinh tế.
+ Dự báo các biến số kinh tế
- Cách lựa chọn mô hình tốt:
+ Xác định số biến độc lập có trong mô hình
● Từ đơn giản đến tổng quát
● Từ tổng quát đến đơn giản
+ Kiểm tra các trường hợp khuyết tật của mô hình do vi phạm các giả
thiết OLS
● Kiểm tra các vấn đề: đa cộng tuyến, phương sai thay đổi, tự
tương quan
● Khắc phục các trường hợp vi phạm
+ Chọn dạng hàm
● Dựa vào cơ sở lý thuyết kinh tế
● Dựa vào kết quả thực nghiệm, so sánh các dạng hàm khác
nhau
+ Chọn mô hình dựa trên các tiêu chuẩn: R2, L, AIC, SIC.
- Có 3 loại số liệu chính trong Kinh tế lượng:
+ Số liệu thời gian: số liệu của một biến số kinh tế qua nhiều mốc thời
gian
+ Số liệu chéo: số liệu của một biến số kinh tế tại một mốc thời gian
+ Số liệu hỗn hợp: số liệu của nhiều biến số kinh tế qua nhiều mốc thời
gian
Hệ số xác định của mô hình là R2. Xác định sự phù hợp của mô hình.
Ý nghĩa: biến độc lập giải thích được R 2% của biến phụ thuộc → 0 ≤ R2 ≤ 1
4. Hệ số tương quan r:
Se(β^1) = √❑ Se(β^2) = √❑
Ý nghĩa: Khi (biến độc lập) tăng 1tr đồng/năm, với ĐK các yếu tố khác không đổi,
(biến phụ thuộc) trung bình tăng lên trong khoảng (KTC β2) tr đồng/năm và
đúng được 95%.
Khoảng tin cậy của β1
Ý nghĩa: Khi (biến độc lập) bằng 0, (biến phụ thuộc) chi tiêu trung bình trong
khoảng (KTC β1) tr đồng/năm và đúng được 95%.
9. Dự báo
9.1. Dự báo điểm: Tính giá trị Y^i tại điểm Xi xác định với hệ số ước lượng β^1 và
β^2 ta có được dự báo điểm của Yi. Nói cách khác, dự báo điểm của Y i chính là giá
trị ước lượng Y^i
9.2. Dự báo giá trị trung bình của Y^i
Tính giá trị Y^i tại điểm Xi xác định với hệ số ước lượng β^1 và β^2
10. Đổi đơn vị
Yi= k1.Yi* / X2 = k2.X2* / …
Pt gốc: Yi = b1 + b2.X2 → Pt sau khi đổi: Yi* = k1.b1 + k1/k2.b2.Xi*
11. Mở rộng:
11.1. Mô hình hồi quy qua gốc tọa độ:
thức là:
11.2. Hàm log - log:
Dấu hiệu nhận biết là sẽ có 2 bảng, 1 bảng là mô hình gốc và một bảng có số
tham số gấp đôi.
1:nam,0:nữ)
Đọc ý nghĩa β3: β3 là sự chênh lệch tiền lương giữa nhân viên nam và nhân viên
nữ
2.2. Mô hình log - lin:
1. Khái niệm:
“Đa cộng tuyến ”là hiện tượng các biến độc lập trong mô hình phụ thuộc lẫn
nhau và thể hiện được dưới dạng hàm số
- Đa cộng tuyến hoàn hảo: là hiện tượng các biến độc lập quan hệ với nhau
theo dạng a2.X2 + a3.X3 +...+ ak.Xk = 0. Trường hợp đa cộng tuyến hoàn hảo
thì không thể ước lượng được các hệ số trong mô hình mà chỉ có thể ước
lượng được một tổ hợp tuyến tính của các hệ số đó. r=1
- Đa cộng tuyến không hoàn hảo: là hiện tượng các biến độc lập quan hệ với
nhau theo dạng a2.X2 + a3.X3 +...+ ak.Xk + V = 0. Vẫn có thể ước lượng mô
hình HQ, hệ số của mô hình nhưng có tồn tại những hậu quả của đa cộng
tuyến không hoàn hảo. 0<r<1
2. Nguyên nhân đa cộng tuyến
- Do phương pháp thu thập dữ liệu:
+ Các giá trị của các biến độc lập phụ thuộc lẫn nhau trong mẫu,
nhưng không phụ thuộc lẫn nhau trong tổng thể
+ Các biến độc lập được chọn có quan hệ nhân quả hay có mối quan
hệ tương quan cao vì cùng phụ thuộc vào một điều kiện khác
- Kích cỡ mẫu quá nhỏ
- Sai dạng mô hình
- Các biến độc lập quan sát theo dữ liệu thời gian
3. Hậu quả của đa cộng tuyến
- Phương sai của các ước lượng theo OLS lớn
- Sai số chuẩn của các hệ số hồi quy sẽ lớn. Do đó:
+ Khoảng tin cậy lớn và việc kiểm định ít có ý nghĩa.
+ Giả thiết H0 luôn dễ dàng được chấp nhận
- Tỷ số t nhỏ → Tăng khả năng chấp nhận giả thiết
- Các ước lượng và sai số chuẩn của ước lượng rất nhạy cảm với sự thay đổi
của dữ liệu. Chỉ cần một sự thay đổi nhỏ trong mẫu dữ liệu sẽ kéo theo sự
thay đổi lớn các hệ số ước lượng
- Dấu của các ước lượng của các hệ số hồi quy có thể sai
- Thêm vào hay bớt đi các biến cộng tuyến với các biến khác, mô hình sẽ
thay đổi về dấu hoặc thay đổi về độ lớn của các ước lượng
4. Nhận biết đa cộng tuyến: Có 4 cách cơ bản để nhận biết đa cộng tuyến
4.1. Hệ số xác định R2 cao (>90%) và t thấp (<2)
4.2. Hệ số tương quan giữa hai biến độc lập cao (>0,8)
4.3. Thực hiện hồi quy phụ giữa các biến độc lập
- Chọn 1 biến độc lập làm biến phụ thuộc và kiểm định R 2 mô hình
+ Nếu mô hình phù hợp (R2=/0) → Mô hình gốc có hiện tượng đa cộng
tuyến
+ Nếu mô hình không phù hợp (R2 =0) → Mô hình gốc không có hiện
tượng đa cộng tuyến.
4.4. Sử dụng hệ số phóng đại phương sai của 1 mô hình hồi quy phụ
- VIF = 1/1-R2 (với R2 là hệ số xác định của mô hình hồi quy phụ).
Nếu VIF >10 thì xảy ra đa cộng tuyến (càng lớn thì cộng tuyến càng cao)
5. Khắc phục đa cộng tuyến
5.1. Bỏ qua đa cộng tuyến: Chúng ta có thể bỏ qua đa cộng tuyến nếu như
- Các biến bị đa cộng tuyến vẫn đúng dấu và có ý nghĩa thống kê.
- Mô hình chỉ dùng để dự báo chứ không dùng để kiểm định
5.2. Thu thập thêm số liệu hoặc lấy thêm mẫu mới: để làm mẫu lớn hơn
5.3. Sử dụng thông tin tiền nghiệm: ví dụ như phương trình đặc trưng của năng
suất lao động theo quy mô
5.4. Sử dụng sai phân cấp 1
Dấu hiệu là một cái bảng có các biến độc lập là d. ở phía trước
5.5. Bỏ biến bị đa cộng tuyến: nếu như biến đó mất ý nghĩa thống kê
Dấu hiệu là một cái bảng thiếu mất biến bị đa cộng tuyến
Dấu hiệu nhận biết là sẽ có 2 bảng, 1 bảng là mô hình gốc và một bảng có biến
phụ thuộc là ln(residual^2) và những thứ tương tự như z
*Hạn chế của kiểm định Park:
- Sai số ei phụ thuộc vào sai số v i. Nếu sai số vi bị phương sai thay đổi thì
những kiểm định xem như vô nghĩa.
- Mỗi lần chỉ kiểm định được 1 biến độc lập
3.2. Kiểm định Glejser
- Ước lượng mô hình hồi quy gốc, lấy phần dư RESID (ei)
- Ước lượng mô hình với ABS(RESID) với từng biến độc lập theo 6 mô hình.
- Kiểm định β2
+ Nếu β2 =/ 0 thì có hiện tượng phương sai thay đổi
+ Nếu β2 = 0 thì không có hiện tượng phương sai thay đổi
Dấu hiệu nhận biết là sẽ có 2 bảng, 1 bảng là mô hình gốc và một bảng có biến
phụ thuộc là abs(residual) và những thứ tương tự như z
*Hạn chế của kiểm định Glejser
- Sai số ei phụ thuộc vào sai số v i. Nếu sai số vi bị phương sai thay đổi thì
những kiểm định xem như vô nghĩa.
- Mỗi lần chỉ kiểm định được 1 biến độc lập
- Hai mô hình cuối không phải mô hình tuyến tính
- Bốn mô hình cuối đều có điều kiện toán học để Xi xác định.
3.4. Kiểm định G-Q: ít xài lắm, nào rảnh thì học
3.5. Kiểm định BP:
- Ước lượng mô hình gốc lấy phần dư RESID (ei)
- Ước lượng mô hình hồi quy với biến phụ thuộc ei2 và các biến độc lập
- Đặt giả thiết: H0: Phương sai không thay đổi H1: Phương sai thay đổi
- Kiểm định
Cách 1: So sánh LM=n.R2 với giá trị Chi-squarea (k) tra bảng. (với k là số
tham số trong mô hình hồi quy phụ không tính hệ số tự do). Nếu n.R2 >
Chi -squarea (k) thì bác bỏ H0 → Phương sai thay đổi
Cách 2: So sánh Prob Chi-square với giá trị alpha, bé hơn alpha thì bác bỏ
H0 và mô hình có phương sai thay đổi.
Cách 3: Tính F0 = [R2.(n-k)]/[(k-1).(1-R2)]. So sánh F0 với F(k-1;n-k) (với k là
số tham số trong mô hình hồi quy phụ). Nếu F0 > F(k-1;n-k) thì bác bỏ H0
và mô hình có phương sai thay đổi.
Dấu hiệu nhận biết là sẽ có một bảng với các biến toàn là ln
Dấu hiệu nhận biết là hai bảng có chung biến phụ thuộc và biến độc lập những
khác nhau sai số chuẩn Se
0 dL dU 4 - dU 4 - dL 4
3.2. Kiểm định tự tương quan bậc p: sử dụng kiểm định B-G hoặc dùng Durbin
watson.
3.3. Dùng trên STATA.
Đặt giả thuyết
H0: Mô hình không có hiện tượng tự tương quan
H1: Mô hình có hiện tượng tự tương quan
- Dùng Prob>Chi2 sau mỗi bậc để so sánh với mức ý nghĩa alpha.
Dấu hiệu nhận biết là một cái bảng như bình thường nhưng có hai cái dòng
Durbin-Watson ở phía dưới
4.2. Khắc phục tự tương quan bằng phần dư
Dấu hiệu nhận biết là một cái bảng như bình thường nhưng có hai cái dòng
Durbin-Watson ở phía dưới
Dấu hiệu nhận biết là một cái bảng như bình thường nhưng có hai cái dòng
Durbin-Watson ở phía dưới
Xuất bảng hồi quy reg [biến phụ thuộc] [biến độc lập]
Xuất bảng hồi quy có điều kiện reg [biến phụ thuộc] [biến độc lập] if _n<11 (tức là lấy 10
quan sát)
Tính khoảng tin cậy 90% từ bảng reg [biến phụ thuộc] [biến độc lập], level(90)
hồi quy có sẵn
Chạy hàm hồi quy không có tung reg [biến phụ thuộc] [biến độc lập], noconstant
độ
Tính hệ số tương quan corr (tên các biến, không quan trọng thứ tự)
Chạy sai phân cấp 1 với dữ liệu thời reg d.[tên biến phụ thuộc] d.[tên biến độc lập]
gian
Chạy kiểm định White imtest, white (sau khi chạy hồi quy mô hình gốc)
Chạy kiểm định BP estat hettest (sau khi chạy hồi quy mô hình gốc)
Ước lượng vững của ma trận hiệp reg [tên biến phụ thuộc] [tên biến độc lập], robust
phương sai (khắc phục PSSS)
Chạy mô hình trọng số reg [tên biến phụ thuộc] [tên biến độc lập
[aweight=1/[tên biến chọn làm trọng số]
Xác định dữ liệu thời gian tsset [tên biến thời gian]
Khắc phục tự tương quan bằng GLS prais [tên biến phụ thuộc] [tên biến độc lập], options
Khắc phục tự tương quan bằng hồi prais [tên biến phụ thuộc] [tên biến độc lập],
rhotype(regress)
quy OLS
Khắc phục tự tương quan bằng prais [tên biến phụ thuộc] [tên biến độc lập],
rhotype(tscorr)
phần dư
Khắc phục tự tương quan bằng prais [tên biến phụ thuộc] [tên biến độc lập],
rhotype(dw)
Durbin Watson
Ma trận ước lượng hiệp phương sai newey [tên biến phụ thuộc] [tên biến độc lập], lag(p)
bậc p