Professional Documents
Culture Documents
1
NỘI DUNG CHƯƠNG 7
1
2 Các thuộc tính của một mô hình tốt
2
1. CÁC THUỘC TÍNH CỦA MÔ HÌNH TỐT
1. Tiết kiệm: mô hình càng đơn giản càng tốt
2. Tính đồng nhất: với một tập dữ liệu đã cho,
các tham số ước lượng phải duy nhất
3. Tính thích hợp: mô hình có R2, R 2 càng gần 1
được coi là càng thích hợp
4. Tính bền vững về mặt lý thuyết: mô hình phải
phù hợp với cơ sở lý thuyết.
5. Có khả năng dự báo tốt
3
2. CÁC SAI LẦM THƯỜNG GẶP
KHI CHỌN MÔ HÌNH
1. Bỏ sót biến thích hợp
Giả sử mô hình đúng là :
Yt = β1 + β2X2t + β3X3t + Ut (9.17)
Nhưng ta lại chọn mô hình :
Yt = α1 + α2X2t + Vt (9.18)
→ hậu quả
4
2. CÁC SAI LẦM THƯỜNG GẶP
KHI CHỌN MÔ HÌNH
1. Bỏ sót biến thích hợp
Hậu quả:
➢ Các ước lượng thu được là ước lượng chệch
của các tham số trong mô hình đúng.
➢ Các ước lượng thu được không phải là ước
lượng vững.
➢ Phương sai của các ước lượng trong mô hình
sai (9.18) lớn hơn trong mô hình đúng (9.17).
➢ Khoảng tin cậy rộng, các kiểm định không còn
tin cậy nữa. 5
2. CÁC SAI LẦM THƯỜNG GẶP
KHI CHỌN MÔ HÌNH
2. Đưa vào mô hình các biến không thích hợp
Giả sử mô hình đúng là :
Yt = β1 + β2X2t + Ut (9.26)
Nhưng ta lại chọn mô hình:
Yt = α1 + α2X2t + α3X3t + Vt (9.27)
→ hậu quả
6
2. CÁC SAI LẦM THƯỜNG GẶP
KHI CHỌN MÔ HÌNH
2. Đưa vào mô hình các biến không thích hợp
Hậu quả:
➢ Các ước lượng OLS vẫn là các ước lượng
không chệch và vững của các tham số trong mô
hình đúng.
➢ Phương sai của các ước lượng trong mô hình
sai (9.26) lớn hơn trong mô hình đúng (9.27).
➢ Khoảng tin cậy rộng, các kiểm định không còn
tin cậy nữa.
7
2. CÁC SAI LẦM THƯỜNG GẶP
KHI CHỌN MÔ HÌNH
3. Chọn dạng hàm không đúng
Giả sử mô hình đúng là :
Yt = β1 + β2X2t + β3X3t + Ut (9.28)
Nhưng ta lại chọn mô hình:
lnYt = α1 + α2lnX2t + α3X3t + Vt (9.29)
→ hậu quả: kết luận sai lầm
8
3. PHÁT HIỆN NHỮNG SAI LẦM
VÀ KIỂM ĐỊNH
9
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Giả sử ta có mô hình hồi quy :
Yi = β1+ β2X2i + β3X3i + β4X4i + β5X5i + Ui (9.30)
➢ Trường hợp nghi ngờ X5 là biến không cần thiết
→ kiểm định H0 : β5 = 0
➢ Trường hợp nghi ngờ X4 và X5 là các biến
không cần thiết
→ kiểm định H0 : β4 = β5 = 0
10
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Kiểm định Wald
Xét các mô hình:
(U) Yi = β1 + β2X2i + … + βmXmi +
+ βm+1X(m+1)i + … + βkXki + Ui
(R) Yi = β1 + β2X2i + … + βmXmi + Vi
(U) là mô hình không giới hạn và (R) là mô hình
giới hạn.
(k-m) biến bị loại bỏ (Xm+1,…, Xk): ảnh hưởng Y ?
➔ Kiểm định giả thiết H0: βm+1 = … = βk = 0 11
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Kiểm định Wald
Giả thiết H0: βm+1 = … = βk = 0
Bước 1: Ước lượng mô hình (U) và (R), tính được
RSSU và RSSR , sau đó tính:
F=
(RSS R − RSS U )/ (k − m)
RSS U / (n − k )
Bước 2: Với mức ý nghĩa α, tìm Fα(k-m, n-k)
Bước 3: Nếu F > Fα(k-m, n-k): Bác bỏ H0, tức là
(U) không thừa biến 12
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Ví dụ:
Ta có bảng số liệu về các biến Y, X2, X3 và Z
Trong đó:
Y : lượng hàng bán được của sp A (kg/tháng)
X2 : giá bán của sp A
X3 : giá bán của sp B
Z = 0 : khu vực khảo sát ở nông thôn
Z = 1 : khu vực khảo sát ở thành phố 13
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Y X2 Z X3 Y X2 Z X3
20 2 1 14 14 5 0 14
19 3 0 13 14 6 1 15
18 3 1 15 13 6 0 13
18 4 0 16 12 7 1 14
17 4 1 11 12 7 0 12
17 3 1 16 15 5 1 16
16 4 0 10 16 4 0 15
16 4 1 17 12 7 1 18
15 5 1 13 10 8 0 16
15 5 1 12 11 8 1 20
14
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Dependent Variable: Y
16
3.1 PHÁT HIỆN SỰ CÓ MẶT
CỦA BIẾN KHÔNG CẦN THIẾT
Wald Test:
Equation: Untitled Chưa bác bỏ H0
Test Statistic Value df Probability
F-statistic 0.082219 (2, 16) 0.9215
Chi-square 0.164439 2 0.9211
Yt = β0 + β1Xt + Ut
Bước 2 : Ước lượng mô hình (new) ➔ new
R 2
ˆ t2 + α3 Y
Yt = α0 + α1X t + α2 Y ˆ t3 + Vt (new)
19
3.2 KIỂM ĐỊNH CÁC BIẾN BỊ BỎ SÓT
Kiểm định RESET của Ramsey
Bước 3 : Kiểm định giả thiết H0 : α2 = α3 = 0
(R − R ) /m
Tính 2 2
F=
(1 − R ) / (n − k )
new old
2
new
Sản lượng Tổng chi phí Sản lượng Tổng chi phí
(X) (Y) (X) (Y)
1 193 6 260
2 226 7 274
3 240 8 297
4 244 9 350
5 257 10 420
21
3.2 KIỂM ĐỊNH CÁC BIẾN BỊ BỎ SÓT
Bước 1:
Hồi quy mô hình: Yi = β1 + β2Xi + Ui (1)
Dependent Variable: Y
2
R old
22
3.2 KIỂM ĐỊNH CÁC BIẾN BỊ BỎ SÓT
Bước 2: 2
R new
Dependent Variable: Y
F=
(R − R ) /m
2 2
(1 − R ) / (n − k )
new old
2
new
F=
(0,998339− 0,840891)/2
= 284,3732
(1 − 0,998339)/ (10 − 4)
Bước 4: Fα(m, n-k) = F0,05(2,6) = 5,14
Vậy F > F0,05(2,6): bác bỏ H0
➔ Mô hình (1) đã bỏ sót biến 24
3.2 KIỂM ĐỊNH CÁC BIẾN BỊ BỎ SÓT
Test Equation:
Dependent Variable: Y
Variable Coefficient Std. Error t-Statistic Prob.
C 2140.215 131.9893 16.21507 0.0000
X 476.5521 33.39086 14.27193 0.0000
FITTED^2 -0.091865 0.006192 -14.83680 0.0000
FITTED^3 0.000119 7.46E-06 15.89677 0.0000
25
3.2 KIỂM ĐỊNH CÁC BIẾN BỊ BỎ SÓT
Ramsey RESET Test:
F-statistic 0.132831 Probability 0.879321
Log likelihood ratio 0.643028 Probability 0.725050
Test Equation:
Dependent Variable: Y
Variable Coefficient Std. Error t-Statistic Prob.
C 85.70189 151.8422 0.564414 0.6026
X -15.03495 194.4740 -0.077311 0.9421
X^2 3.456369 40.33312 0.085696 0.9358
X^3 -0.274376 2.974505 -0.092243 0.9309
FITTED^2 0.003961 0.010345 0.382919 0.7213
26
FITTED^3 -3.85E-06 1.07E-05 -0.360327 0.7368
4. KIỂM ĐỊNH GIẢ THIẾT
PHÂN PHỐI CHUẨN CỦA U
Để sử dụng các kiểm định t, F, 2
: giả thiết Ui có
phân phối chuẩn.
27
4. KIỂM ĐỊNH GIẢ THIẾT
PHÂN PHỐI CHUẨN CỦA U
Kiểm định Jarque – Bera (JB)
Giả thiết : H0: U có phân phối chuẩn
H1: U không có phân phối chuẩn
Bước 1: Tính S (K − 3)
2 2
JB = n. +
6 24
S: hệ số bất đối xứng ; K: độ nhọn
Bước 2: Nếu JB > (2)
2
➔ Bác bỏ H0
➔ U không có phân phối chuẩn 28
4. KIỂM ĐỊNH GIẢ THIẾT
PHÂN PHỐI CHUẨN CỦA U
29
4. KIỂM ĐỊNH GIẢ THIẾT
PHÂN PHỐI CHUẨN CỦA U
Kết quả từ Eviews:
5
Series: Residuals
Sample 1 10
4 Observations 10
Mean 2.13e-14
3 S Median 1.409091
Maximum 8.363636
Minimum -10.36364
2 Std. Dev. 6.121662
Skewness -0.398346
K Kurtosis 1.890997
1
Jarque-Bera 0.776920
Probability 0.678100
0
-15 -10 -5 0 5 10 30
4. KIỂM ĐỊNH GIẢ THIẾT
PHÂN PHỐI CHUẨN CỦA U
Với: S = - 0,398346 ; K = 1,890997
S2 (K − 3)2
JB = n. +
6 24
(− 0,398346)2 (1,890997− 3)2
JB = 10. + = 0,7769
6 24
Nhận thấy JB < 2
0 , 05 (2) = 6 ➔ Chưa bác bỏ H0
Mean 2.13e-14
3 Median 1.409091
Maximum 8.363636
Minimum -10.36364
2 Std. Dev. 6.121662
Skewness -0.398346
Kurtosis 1.890997
1
Jarque-Bera 0.776920
Probability 0.678100
0
-15 -10 -5 0 5 10 32
33