Basic Econometrics PDF

KINH TẾ LƯỢNG
BẬC CAO HỌC
ECONOMETRICS
1 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

KINH TẾ LƯỢNG CƠ BẢN
Chương 1, 2, 3
KINH TẾ LƯỢNG NÂNG CAO
Chương 4, 5, 6, 7,8

TÀI LIỆU
1. Nguyễn Quang Dong, (2008), Bài giảng Kinh tế
lượng, NXB Khoa học kỹ thuật.
2. Nguyễn Quang Dong, (2002), Kinh tế lượng -
Chương trình nâng cao + Bài tập Kinh tế lượng
với sự trợ giúp của phần mềm Eviews, NXB Khoa
học kỹ thuật.
3. Nguyễn Khắc Minh, (2002), Các phương pháp
Phân tích & Dự báo trong Kinh tế, NXB KHKT.
4. Damodar N.Gujarati, Basic Econometrics, 4th
Edition, Mc Graw - Hill, 2004
KHÁI NIỆM VỀ KINH TẾ LƯỢNG
• Econometrics = Econo + Metrics → Đo lường

kinh tế
• Đối tượng: các mối quan hệ, các quá trình kinh
tế xã hội
• Công cụ: các lý thuyết kinh tế, các mô hình
Toán kinh tế, phương pháp toán, xác suất
thống kê, với sự hỗ trợ của máy tính.
• Kết quả: bằng số, tùy thuộc mục đích sử dụng.
PHƯƠNG PHÁP LUẬN
• Đặt giả thiết về vấn đề nghiên cứu
• Xây dựng mô hình
- Mô hình lí thuyết
- Mô hình toán học
• Thu thập số liệu và ước lượng tham số
• Kiểm định về mối quan hệ
• Phân tích, dự báo, minh chứng hoặc phản
biện lý thuyết
KINH TẾ LƯỢNG CƠ BẢN
Basic Econometrics

CHƯƠNG 1. MÔ HÌNH KINH TẾ LƯỢNG
CHƯƠNG 2. ƯỚC LƯỢNG VÀ PHÂN TÍCH

MÔ HÌNH KINH TẾ LƯỢNG
CHƯƠNG 3. ĐÁNH GIÁ VỀ MÔ HÌNH

CHƯƠNG I. MÔ HÌNH KINH TẾ LƯỢNG
Econometrics Model
1.1. Phân tích hồi qui
1.2. Mô hình hồi qui tổng thể
1.3. Mô hình hồi qui mẫu
1.4. Mô hình hồi qui tổng quát
1.5. Mô hình hồi qui trong kinh tế

PHÂN TÍCH HỒI QUY
• Nghiên cứu mối liên hệ phụ thuộc giữa 1 biến (biến
phụ thuộc) vào một hoặc một số biến số khác (biến
độc lập/biến giải thích).
• Biến phụ thuộc, thường ký hiệu Y , đại diện cho đối
tượng kinh tế mà ta quan tâm nghiên cứu sự biến
động (dependent, explained, exogenous variable).
• Biến độc lập, thường ký hiệu X , X 1 , X 2 ,...đại diện
cho đối tượng kinh tế giải thích cho sự biến động
của biến phụ thuộc (independent, explanatory,
regressor)
MÔ HÌNH HỒI QUY TỔNG THỂ
• X = X i : xác định → Y là biến ngẫu nhiên, (Y / X i )
• Quan hệ hàm số : x → ! y
• Hệ số tương quan : ρX ,Y ∈ [-1 ; 1]
• Tổng thể (Population): tất cả các phần tử chứa dấu

hiệu nghiên cứu
• Phân tích dựa trên toàn bộ tổng thể
• Để thuận tiện: mô hình một biến độc lập, X → Y
X giải thích cho Y, Y phụ thuộc vào X

• X = X i →(Y / X i ) có quy luật phân phối xác suất
• ∃ ! E(Y / X i ): trung bình (kỳ vọng) có điều kiện
• X = X i → ! E(Y / X i ): quan hệ hàm số
• E (Y / X i ) = f ( X i ) hoặc E (Y / X ) = f ( X )
→ Gọi là hàm hồi qui tổng thể
PRF: Population Regression Function

• Dạng của PRF tùy thuộc mô hình kinh tế, gồm
các hệ số (coefficient) chưa biết
• Nếu hàm hồi quy tổng thể có dạng đường thẳng:
E (Y / X ) = β1 + β2 . X
β1 = E (Y / X = 0) : hệ số chặn (intercept term)
∂E (Y / X )
β2 = : hệ số góc (slope coefficient)
∂X
→ PRF cho biết quan hệ giữa biến phụ thuộc và
biến giải thích về mặt trung bình trong tổng thể.
• Hàm hồi quy tổng thể được gọi là tuyến tính nếu
nó tuyến tính theo tham số.
• Giá trị cụ thể Yi ∈ (Y / X i ) , thông thường
Yi ≠ E (Y / X i ). Đặt ui = Yi − E (Y / X i ) : là yếu tố
ngẫu nhiên (nhiễu, sai số ngẫu nhiên - Random
errors)
• Tính chất của yếu tố ngẫu nhiên : E(ui) = 0 ∀i →
đại diện cho tất cả những yếu tố không phải biến
giải thích trong mô hình nhưng cũng tác động tới
biến phụ thuộc.
MÔ HÌNH HỒI QUY MẪU
• Không biết toàn bộ Tổng thể, nên dạng của PRF
có thể biết nhưng giá trị β j thì không biết.
• Mẫu : một bộ phận mang thông tin của tổng thể.
W = {(Xi, Yi), i = 1÷ n} được gọi là một mẫu kích
thước n, n quan sát (observation).
• Trong mẫu W, tồn tại một hàm số mô tả xu thế
biến động của biến phụ thuộc theo biến giải thích
về mặt trung bình, Yˆ = fˆ ( X ) gọi là hàm hồi qui
mẫu (SRF- Sample Regression Function).
• Hàm hồi qui mẫu có dạng giống PRF
Nếu PRF có dạng E (Y / X i ) = β1 + β2 . X i
thì SRF có dạng Yî = βˆ1 + βˆ2 . X i
• Vì có vô số mẫu ngẫu nhiên, nên có vô số giá trị
của βˆ1 và βˆ2 → βˆ j là biến ngẫu nhiên.
• Với mẫu cụ thể w kích thước n, βˆ j là số cụ thể.
• Thông thường Yi ≠ Yî , đặt ei = Yi − Yî và gọi là

phần dư (residual).
• Bản chất của phần dư ei giống như của yếu tố
ngẫu nhiên ui
TÓM TẮT
E (Y / X ) = β1 + β2 . X
Yi = β1 + β2 . X i + ui
Ŷi = βˆ 1 + βˆ 2 X i Yi = βˆ 1 + βˆ 2 X i + ei
Yî , βˆ 1 , βˆ 2 , ei là các ước lượng điểm tương ứng

của E(Y / X i ), β 1 , β 2 ,ui

MÔ HÌNH HỒI QUY TỔNG QUÁT
• Mô hình hồi quy k biến, 1 biến phụ thuộc và
( k − 1 ) biến giải thích, k hệ số (kể cả hệ số chặn).
E(Yi ) = β 1 + β 2 X 2 i + β 3 X 31 + ... + β k X ki
Yi = β 1 + β 2 X 2 i + β 3 X 31 + ... + β k X ki + ui
Ŷi = βˆ 1 + βˆ 2 X 2 i + βˆ 3 X 31 + ... + βˆ k X ki
Yi = βˆ 1 + βˆ 2 X 2 i + βˆ 3 X 31 + ... + βˆ k X ki + ei
β 1 = E(Y / X 2 = X 3 = ... = X k = 0 ): hệ số chặn
∂E(Y )
βj = ( j = 2,k ): hệ số hồi quy riêng-hệ số góc
∂X j
MÔ HÌNH TRONG KINH TẾ
• Hàm bậc nhất
C = β 1 + β 2Y + u
Q D = β1 + β 2 P + uD Q S = β1 + β 2 P + uS
• Hàm bậc cao
TC = β 1 + β 2Q + β 3Q + β 4Q + u
2 3
MC = β 2 + 2 β 3Q + 3 β 4Q 2 + u'
Q = β 1 + β 2 AD + β 3 AD 2 + u
MÔ HÌNH TRONG KINH TẾ
• Dạng hàm mũ: ví dụ hàm sản xuất dạng Cobb-
β2 β3
Douglas Q = β 0 K L tuyến tính hóa và xây dựng
mô hình kinh tế lượng:
Ln( Q ) = β 1 + β 2 Ln( K ) + β 3 Ln( L ) + u
• Hàm thể hiện tính xu thế
T là biến xu thế thời gian, T = 0,1,2,…
Y = β 1 + β 2 X + β 3T + u
• Mô hình có biến trễ : Yt = β 1 + β 2 X t + β 3 X t −1 + u
• Mô hình tự hồi quy : Yt = β 1 + β 2 X t + β 3Yt −1 + u

CHƯƠNG II. ƯỚC LƯỢNG VÀ PHÂN TÍCH
• 2.1. Ước lượng mô hình 2 biến
• 2.2. Ước lượng mô hình tổng quát
• 2.3. Các giả thiết của phương pháp OLS
• 2.4. Các tham số của ước lượng OLS
• 2.5. Ước lượng khoảng tin cậy của các hệ số

CHƯƠNG II. ƯỚC LƯỢNG VÀ PHÂN TÍCH
• 2.6. Kiểm định giả thuyết về các hệ số

• 2.7. Ước lượng về tổ hợp các hệ số hồi quy
• 2.8. Kiểm định về tổ hợp các hệ số hồi quy
• 2.9. Sự phù hợp của hàm hồi qui
• 2.10. Kiểm định thu hẹp hồi quy
• 2.11. Dự báo
ƯỚC LƯỢNG MÔ HÌNH HỒI QUY HAI BIẾN
• Mô hình hồi qui hai biến là mô hình gồm một biến
phụ thuộc (Y) và một biến giải thích (X).
• Mô hình có dạng: E(Y / X i ) = β 1 + β 2 X i
Yi = β 1 + β 2 X i + ui
• Với mẫu kích thước n : W = {(Xi, Yi), i = 1÷ n}, tìm
βˆ 1 , βˆ 2 , sao cho SRF: Yî = βˆ 1 + βˆ 2 X i phản ánh xu thế
biến động về mặt trung bình của mẫu.
n n
• Tìm β̂ 1 , βˆ 2 sao cho ∑ i i
(Y − ˆ
Y )2
= ∑ i → min
e 2
i =1 i =1

ˆ XY − X Y
Giải được nghiệm β 2 = 2
βˆ 1 = Y − βˆ 2 X
X −( X )
2
⎧ xi = X i − X
∑ x i yi
Đặt ⎨ ⇒ βˆ 2 = i =1
⎩ yi = Yi − Y
n
∑x 2
i
i =1
• β̂ 1 , βˆ 2 ước lượng bằng phương pháp bình phương

nhỏ nhất - LS, gọi là các ước lượng bình phương
nhỏ nhất (các ước lượng LS) của β 1 và β 2 .

ƯỚC LƯỢNG MÔ HÌNH TỔNG QUÁT
• Việc ước lượng mô hình hồi quy tổng quát cũng
thực hiện như đối với hồi quy đơn, với tiêu chuẩn
n n
là tìm βˆ j sao cho ∑ (Yi − Yî )2 = ∑ ei2 đạt cực tiểu.
i =1 i =1
• Sử dụng ngôn ngữ ma trận, xác định được ma trận

các hệ số ước lượng βˆ = ( X ' X )−1 X 'Y với
⎡Y1 ⎤ ⎡ βˆ 1 ⎤
⎡1 X 21 X 31 ... X k 1 ⎤
⎢Y2 ⎥
⎢1 X 22 X 32 ... X k 2 ⎥ ⎢ βˆ ⎥
X= ⎢ ⎥ Y= ⎢ . ⎥ βˆ = ⎢ 2 ⎥
. ⎢. ⎥ .
⎢⎣1 X 2 n X 3n ... X kn ⎥⎦ ⎢ˆ ⎥
⎢⎣Yn ⎥⎦ ⎣βk ⎦
CÁC GIẢ THIẾT CỦA PHƯƠNG PHÁP LS
• Giả thiết 1: Hàm hồi quy tuyến tính theo hệ số
• Giả thiết 2: Biến độc lập là phi ngẫu nhiên
• Giả thiết 3: Trung bình của sai số ngẫu nhiên
bằng 0: E( ui ) = 0 ( ∀i )
• Giả thiết 4: Phương sai sai số ngẫu nhiên đồng nhất
Var( ui ) = σ 2 ( ∀i )
• Giả thiết 5: Các sai số ngẫu nhiên không tương
quan Cov( ui ,u j ) = 0( ∀i ≠ j )

• Giả thiết 6: SSNN và biến độc lập không tương
quan Cov( ui , X i ) = 0( ∀i )
• Giả thiết 7: Số quan sát nhiều hơn số hệ số
• Giả thiết 8: Giá trị của biến độc lập có sự khác
biệt đủ lớn
• Giả thiết 9: Hàm hồi qui được xác định đúng
• Giả thiết 10: Các biến độc lập không có quan hệ
cộng tuyến
• Giả thiết 11: Yếu tố ngẫu nhiên phân phối chuẩn
ĐỊNH LÍ
Nếu tổng thể thỏa mãn các giả thiết trên
thì ước lượng OLS sẽ là ước lượng tuyến
tính, không chệch, tốt nhất (trong số các
ước lượng không chệch) của các tham số.
(BLUE: Best Linear Unbias Estimate)

CÁC THAM SỐ CỦA ƯỚC LƯỢNG LS
• Với hồi quy đơn
Kì vọng: E( βˆ j ) = β j ( j = 1 , 2 )
n
Σ X i2 σ2
Phương sai: Var( βˆ 1 ) = i =1
n
σ2 Var( βˆ 2 ) = n
nΣ x 2
i Σ xi2
i =1 i =1
Độ lệch chuẩn: Se( βˆ j ) = Var( βˆ j ) (j = 1,2)
σ chưa biết, được ước lượng bởi : σ =

2
ˆ 2 ∑ e 2
i
n−2
σˆ gọi là độ lệch chuẩn của hồi qui (Se. of Regression)
• Với hồi quy tổng quát
E ( βˆ j ) = β j ( j = 1 ,k )
⎡ Var( βˆ 1 ) Cov( βˆ 1 , βˆ 2 ) . Cov( βˆ 1 , βˆ k )⎤
⎢ ⎥
Cov( βˆ , βˆ ) Var( βˆ ) . Cov( βˆ , βˆ
⎢ k )⎥
Cov( βˆ )= ⎢ 1 2 2 2
⎥
. . . .
⎢ ⎥
⎢⎣Cov( βˆ k , βˆ 1 ) Cov( βˆ k , βˆ 2 ) . Var( βˆ k ) ⎥⎦
Cov( βˆ ) = σ 2 ( X ' X )−1
σ =
ˆ 2 ∑ e 2
i
với k là số tham số cần ước lượng
n−k
ƯỚC LƯỢNG KHOẢNG CÁC HỆ SỐ HỒI QUY
• Độ tin cậy 1 − α cho trước, ước lượng khoảng tin
cậy đối xứng, tối đa, tối thiểu của các hệ số hồi quy
βˆ − Se( βˆ )t ( n− k ) < β < βˆ + Se( βˆ )t ( n− k )
j j α/2 j j j α/2
β j < βˆ j + Se( βˆ j )tα( n− k )
β j > βˆ j − Se( βˆ j )tα( n− k )

• Ý nghĩa và cách sử dụng các khoảng tin cậy
- Quan hệ thuận chiều
- Quan hệ ngược chiều
KIỂM ĐỊNH GIẢ THIẾT VỀ CÁC HỆ SỐ
Cặp giả thiết Tiêu chuẩn Miền bác bỏ

kiểm định Giả thiết H0
⎧⎪ H 0 : β j = β *j
⎨ Tqs > tα( n/ −2 k )
H
⎪⎩ 1 : β j ≠ β *
j
⎧⎪ H 0 : β j ≤ β *j βˆ j − β *j
⎨ Tqs = Tqs > tα( n− k )
⎪⎩ 1 β j β j
H : > *
Se( βˆ j )
⎧⎪ H 0 : β j ≥ β *j
⎨ Tqs < − tα( n− k )
H
⎪⎩ 1 : β j < β *
j
• Trường hợp đặc biệt, β j = 0 , thường kiểm định về
bản chất của mối liên hệ phụ thuộc.
βˆ j
Khi đó Tqs = = T – Statistic
Se( βˆ j )
• Trường hợp đặc biệt, kiểm định cặp giả thiết
⎧⎪ H 0 : β j = 0
⎨
⎪⎩ H 1 : β j ≠ 0
có thể sử dụng quy tắc p-value (Prob) như sau :
Nếu p-value < α → bác bỏ H0
Nếu p-value > α → chấp nhận H0
BÁO CÁO KẾT QUẢ ƯỚC LƯỢNG MÔ HÌNH
BẰNG PHẦN MỀM EVIEWS 4.1
Dependent Variable: Q
Method: Least Squares
Date: 12/18/09 Time: 22:55
Sample: 1 20
Included observations: 20
Variable Coefficient Std. Error t-Statistic Prob.
P -113.4178 32.03207 -3.540759 0.0025
AD -83.87101 15.27991 -5.488973 0.0000
C 1373.239 171.4084 8.011507 0.0000
R-squared 0.739941 Mean dependent var 460.2000
Adjusted R-squared 0.709346 S.D. dependent var 155.3125
S.E. of regression 83.73264 Akaike info criterion 11.83062
Sum squared resid 119189.6 Schwarz criterion 11.97998
Log likelihood -115.3062 F-statistic 24.18486
Durbin-Watson stat 1.938188 Prob(F-statistic) 0.000011

ƯỚC LƯỢNG PHƯƠNG SAI CỦA
YẾU TỐ NGẪU NHIÊN
• Ước lượng điểm
n
∑ ei2
σ̂ 2 = i =1
= (Se. of Regression)2
n−k
• Ước lượng khoảng
σˆ 2 ( n − k ) σ
ˆ 2
(n− k )
<σ < 2
2
χα ( n − k )
2
χ α(n− k )
1−
2 2

ƯỚC LƯỢNG KHOẢNG TỔ HỢP TUYẾN TÍNH
CÁC HỆ SỐ HỒI QUY
• KTC đối xứng
ˆ ˆ ˆ ˆ
( a β i ± bβ j ) − Se( a β i ± bβ j )tα / 2 < a β i ± bβ j <
( n− k )
< ( a βˆ i ± bβˆ j ) + Se( a βˆ i ± bβˆ j )tα( n/ −2 k )
Se( a βˆ i ± bβˆ j ) = a 2Var( βˆ i ) ± 2abCov( βˆ i , βˆ j ) + b 2Var( βˆ j )
• KTC tối đa và tối thiểu: tương tự
• Ví dụ minh họa

KIỂM ĐỊNH VỀ TỔ HỢP TUYẾN TÍNH
CÁC HỆ SỐ HỒI QUY
Cặp giả thiết Tiêu chuẩn Miền bác
bỏ
⎧⎪ H 0 : a β i + bβ j =c
⎨ Tqs > tα( n/ −2 k )
⎪⎩ H 1 : a β i + bβ j ≠c
( a βˆ i + bβˆ j ) − c
⎧⎪ H 0 : a β i + bβ j ≤ c Tqs =
⎨ Se( a βˆ i + bβˆ j ) Tqs > tα( n− k )
⎪⎩ H 1 : a β i + bβ j >c
⎧⎪ H 0 : a β i + bβ j ≥ c ( n− k )
⎨ Tqs < − tα
⎪⎩ H 1 : a β i + bβ j < c
SỰ PHÙ HỢP CỦA HÀM HỒI QUY
• Hệ số xác định R2
yi = Yi − Y
n n n
ŷi = Yî − Y yi = ˆyi + e ∑ yi = ∑ yi + ∑ ei
2
ˆ 2 2
i =1 i =1 i =1
ei = Yi − Ŷi
TSS = ESS + RSS
TSS (Total Sum of Squares): đo tổng mức độ biến
động của biến phụ thuộc
ESS (Explained Sum of Squares): phần biến động
của biến phụ thuộc được giải thích bởi mô hình -
bởi các biến giải thích trong mô hình.
RSS (Residual Sum of Squares): phần biến động
của biến phụ thuộc được giải thích bởi các yếu tố
nằm ngoài mô hình - Yếu tố ngẫu nhiên.
ESS RSS
Đặt R =2
= 1− ( 0 ≤ R2 ≤ 1 )
TSS TSS
gọi là Hệ số xác địnhcủa mô hình – R-Squared
Ý nghĩa
Hệ số xác định R2 là tỉ lệ (hoặc tỉ lệ %) sự biến động
của biến phụ thuộc được giải thích bởi sự biến động
của các biến độc lập (theo mô hình, trong mẫu).

• Hệ số xác định hiệu chỉnh (Adjusted R-squared)
RSS / ( n − k ) 2 n−1
R = 1−
2
= 1 − (1 − R )
TSS / ( n − 1 ) n−k
• Kiểm định sự phù hợp của hàm hồi quy
H0: Hàm hồi quy không phù

⎧ H0 : R = 02
⎨ hợp (tất cả các biến giải thích

H
⎩ 1 : R 2
≠0 cùng không có ảnh hưởng tới
⇔ biến phụ thuộc)
⎧ H 0 : β 2 = ... = β k = 0 H1: Hàm hồi quy phù hợp (có
⎨
⎩ H 1 : ∃β j ≠ 0( j ≠ 1 ) ít nhất 1 biến giải thích có ảnh
hưởng tới biến phụ thuộc)
ESS / ( k − 1 ) R n−k2
Fqs = = × = F- Statistic
RSS / ( n − k ) 1 − R 2
k −1
Fqs > Fα( k −1 ,n− k ): bác bỏ H0
Fqs < Fα( k −1 ,n− k ): chấp nhận H0
Có thể sử dụng giá trị Prob (F-Statistic) để thực

hiện kiểm định
Nếu p-value < α → bác bỏ H0
Nếu p-value > α → chấp nhận H0

KIỂM ĐỊNH THU HẸP HỒI QUY
Nghi ngờ m biến giải thích Xk-m+1,…, Xk không giải
thích cho Y
⎧ H 0 : β k − m +1 = β k − m + 2 ... = β k = 0
⎨
⎩ H 1 : ∃β j ≠ 0 : ( j = k − m + 1 ÷ k )
E(Y ) = β 1 + β 2 X 2 + β 3 X 3 + ... + β k X k (L)
E(Y ) = β 1 + β 2 X 2 + β 3 X 3 + ... + β k − m X k − m (N)
RSS N − RSS L n − k RL2 − RN2 n − k
Fqs = × = ×
RSS L m 1 − RL2
m
( m ,n − k )
Nếu Fqs > Fα : bác bỏ H0
KIỂM ĐỊNH THU HẸP HỒI QUY
• Kiểm định thu hẹp hồi quy cho phép xem xét có
nên bỏ đi đồng thời 1 số biến ra khỏi mô hình hay
đưa thêm vào mô hình đồng thời 1 số biến.
• Có thể sử dụng để kiểm định về các ràng buộc
tuyến tính về các hệ số hồi quy.
• Nếu các ràng buộc tuyến tính làm thay đổi biến
phụ thuộc của mô hình thì phải tính Fqs theo RSS.
• Khi m = k-1 kiểm định sự phù hợp hàm HQ

DỰ BÁO
• Với mô hình hồi quy 2 biến
Ước lượng khoảng cho giá trị trung bình của biến
phụ thuộc khi biến giải thích nhận giá trị xác định
X = X0
Yˆ0 − Se(Yˆ0 )tα( n/ −22 ) < E(Y / X 0 ) < Yˆ0 + Se(Yˆ0 )tα( n/ −22 )
1 ( X − X )2
với Ŷ0 = βˆ 1 + βˆ 2 X 0 và Se(Yˆ0 ) = σˆ + 0
n Σ xi2
Dự báo bằng ước lượng điểm

DỰ BÁO
• Với mô hình hồi quy tổng quát
Ước lượng khoảng cho giá trị trung bình của biến
phụ thuộc khi các biến giải thích nhận giá trị xác
định X = ( 1 , X , X ,...., X )
0 0
2
0
3
0
k
ˆ ˆ ( n− k ) ˆ ˆ ( n− k )
Y0 − Se(Y0 )tα / 2 < E(Y / X ) < Y0 + Se(Y0 )tα / 2
0
với Ŷ0 = X β̂ và Se(Yˆ0 ) = σˆ X 0'(X'X)−1 X 0

0'
Dự báo bằng ước lượng điểm

CHƯƠNG III. ĐÁNH GIÁ VỀ MÔ HÌNH
(Diagnostic Tests)
• 3.1. Đa cộng tuyến (Multicollinearity)
• 3.2. Phương sai sai số thay đổi (Heteroscedasticity)
• 3.3. Tự tương quan (Autocorrelation)
• 3.4. Định dạng mô hình (Model specification)

CƠ SỞ ĐÁNH GIÁ
• Định lý Gauss-Markov: Nếu mô hình thỏa mãn
các giả thiết của phương pháp LS thì các ước
lượng thu được khi sử dụng phương pháp LS là
tuyến tính, không chệch, tốt nhất
• Các giả thiết không được thỏa mãn: các ước

lượng không tốt, kết quả không đáng tin cậy,
không dùng phân tích được, cần phải khắc phục

ĐA CỘNG TUYẾN
• Mô hình E(Y ) = β 1 + β 2 X 2 + β 3 X 3 + ... + β k X k
Giả thiết của LS: các biến giải thích không có quan
hệ cộng tuyến (mô hình có k ≥ 3).
• Nếu giả thiết bị vi phạm → mô hình có hiện tượng
đa cộng tuyến (Multicollinerity).
• Có 2 loại đa cộng tuyến
- ĐCT hoàn hảo
- ĐCT không hoàn hảo

PHÂN LOẠI ĐA CỘNG TUYẾN
• Đa cộng tuyến hoàn hảo
∃ λj ≠ 0 (j ≠ 1) sao cho
λ1 + λ2 X2i + … + λk Xki = 0 ∀ i
• Đa cộng tuyến không hoàn hảo
∃λj ≠ 0 (j ≠ 1) sao cho
λ1 + λ2 X2i + … + λkXki + vi = 0

NGUYÊN NHÂN VÀ HẬU QUẢ
• ĐCT hoàn hảo thường do lập mô hình sai: ít khi
xảy ra → không giải được nghiệm.
• ĐCT không hoàn hảo thường xảy ra: do bản chất
KTXH của quan hệ, do thu thập và xử lý số liệu.
• ĐCT không hoàn hảo → vẫn giải được nghiệm,
tìm được các duy nhất, nhưng kết quả không tốt,
sai số của các ước lượng lớn:
- Các ước lượng LS không còn là ước lượng
tốt nhất
- Khoảng tin cậy của các hệ số rộng hơn
- Kiểm định T không đáng tin cậy, có thể cho
nhận định sai lầm
• ĐCT nặng → các kiểm định T và F có thể cho kết
luận mâu thuẫn nhau, các hệ số ước lượng được có
thể có dấu không phù hợp với lí thuyết kinh tế.
• ĐCT không hoàn hảo là hiện tượng gặp với hầu
hết các mô hình, nếu gây hậu quả nghiêm trọng
thì cần phải khắc phục.

PHÁT HIỆN KHUYẾT TẬT
• Một số dấu hiệu cho phép nghi ngờ sự có mặt của
ĐCT trong mô hình.
• Nghi ngờ biến giải thích X j phụ thuộc tuyến tính
vào các biến giải thích khác, hồi qui mô hình hồi
qui phụ (auxilliary regression)
X j = α 1 + α 2 X 2 + ... + α j −1 X j −1 + α j +1 X j +1 + ... + v (*)
⎧ H 0 : R*2 = 0 R 2
n − k*
⎨ Fqs = ×*
⎩ H 1 : R* ≠ 0
2
1 − R* k* − 1
2

( k* −1 ,n − k* )
Fqs > Fα → thì bác bỏ H0
→ mô hình ban đầu có đa cộng tuyến
Fqs < Fα( k* −1 ,n− k* ) → chưa bác bỏ H0
→ có thể nói MH ban đầu không có đa cộng tuyến
• Có thể có nhiều hồi quy phụ để xem xét về ĐCT
của 1 mô hình nhiều biến ban đầu.
• Có thể dùng kiểm định T cho các hệ số góc của
mô hình hồi quy phụ và kết luận tương tự.
• Có một số tiêu chuẩn khác cũng có thể được sử
dụng để kiểm định về ĐCT của mô hình
KHẮC PHỤC KHUYẾT TẬT
• Bỏ bớt biến độc lập gây đa cộng tuyến
• Lấy thêm quan sát hoặc thu thập mẫu mới
• Thay đổi dạng mô hình
• Sử dụng thông tin tiên nghiệm biến đổi mô hình

PHƯƠNG SAI CỦA SAI SỐ THAY ĐỔI
• Phương sai các yếu tố ngẫu nhiên là đồng nhất,
Var( ui ) = σ 2 ( ∀i ) không đổi → giả thiết của LS
• Nếu giả thiết được thỏa mãn → Phương sai của
sai số đồng đều (không đổi - homoscocedasticity).
• Khi giả thiết không thỏa mãn: ∃i ≠ j mà
Var( ui ) ≠ Var( u j )→ Phương sai của sai số thay
đổi (heterscocedasticity).
→ Kí hiệu Var( ui ) = σ i 2

• Bản chất KTXH của mối quan hệ: sự dao động
của biến phụ thuộc trong những điều kiện khác
nhau không giống nhau.
• Quá trình thu thập số liệu không chính xác, số
liệu không phản ánh đúng bản chất hiện tượng; do
việc xử lý, làm trơn số liệu.
→ Các ước lượng là không chệch, nhưng không
hiệu quả, không phải là tốt nhất.
→ Các kiểm định T, F có thể sai, KTC rộng.
• σ i 2 chưa biết, để phán đoán về sự biến động của
nó dùng ei2 hoặc ei đại diện. Sử dụng các mô hình
hồi quy phụ, dựa trên giả thiết về sự biến động
của σ i 2 .
- Kiểm định Glejser: ei2 = α1 + α 2 X i2 + vi
ei2 = α1 + α 2 X i + vi ei2 = α1 + α 2 X i + vi
- Kiểm định Park: Ln( ei2 ) = α1 + α 2 ln( X i ) + vi
- KĐ dựa trên biến phụ thuộc: e 2 = α + α Yˆ 2 + v
i 1 2 i i
→ Dùng kiểm định T hoặc F để kiểm định

PHÁT HIỆN KHUYẾT TẬT - KIỂM ĐỊNH WHITE
• Hồi qui bình phương phần dư theo tổ hợp bậc
cao dần của các biến giải thích.
• MH ban đầu Yi = β 1 + β 2 X 2 + β 3 X 3 + ui
• MH hồi qui phụ :
ei2 = α1 + α 2 .X 2 i + α 3 .X 3 i + α 4 .X 22i + α 5 .X 32i + α 6 .X 2 i .X 3 i + V

⎧ H 0 : R*2 = 0
• Kiểm định giả thiết ⎨
⎩ H 1 : R* ≠ 0
2
- Kiểm định χ2 : χ qs2 = nR*2
Nếu χ qs2 > χα2 ( k* − 1 ) thì bác bỏ H0.

R n − k*
2
- Kiểm định F: Fqs = × *
1 − R* k* − 1
2
Nếu Fqs > Fα( k* −1 ,n− k* ) thì bác bỏ H0.

Nếu bác bỏ H0 thì mô hình ban đầu có phương sai
của sai số thay đổi và ngược lại.
• Mô hình phụ để thực hiện kiểm định có thể có
hoặc không có tích chéo giữa các biến độc lập ban
đầu, có thể có lũy thừa bậc cao hơn của các biến
độc lập và phải có hệ số chặn.

KHẮC PHỤC KHUYẾT TẬT
• Sử dụng phương pháp bình phương nhỏ nhất
tổng quát GLS.
• Nếu biết σ i 2 , chia hai vế mô hình cho σ i
Yi 1 Xi ui
= β1 + β2 + ⇔ Yi* = β 1 X i0 + β 2 X i* + u*i
σi σi σi σi
Var( u*i ) = 1 không đổi
• Nếu chưa biết , dựa trên giả thiết về sự thay đổi
của mà có cách khắc phục tương ứng.

KHUYẾT TẬT TỰ TƯƠNG QUAN
• Hiện tượng thường gặp với số liệu theo thời gian
nên sử dụng chỉ số t thay cho chỉ số i .
• MH ban đầu
Yt = β 1 + β 2 X 2 t + β 3 X 3 t + ... + β k X kt + ut
• Giả thiết của phương pháp LS: các sai số ngẫu
nhiên không tương quan với nhau
Cov( ui ,u j ) = 0( ∀i ≠ j ) hoặc Cov( ut ,ut − p ) = 0( p ≠ 0 )
• Nếu giả thiết bị vi phạm → mô hình có khuyết tật
tự tương quan bậc p (Autocorrelation Order p)
TỰ TƯƠNG QUAN BẬC 1
• Xét trường hợp p = 1 → tự tương quan bậc 1
ut = ρ ut −1 + ε t ( −1 ≤ ρ ≤ 1 )
ε t thỏa mãn các giả thiết của phương pháp LS
• ρ được gọi là hệ số tự tương quan bậc 1
−1 ≤ ρ < 0 : mô hình có tự tương quan âm
0 < ρ ≤ 1: mô hình có tự tương quan dương
ρ = 0: mô hình không có tự tương quan
• Tổng quát: tự tương quan bậc p :
ut = ρ1ut −1 + ρ 2 ut − 2 + ... + ρ p ut − p + ε t với ρ p ≠ 0
• Do bản chất của mối quan hệ
• Tính quán tính trong các chuỗi số liệu
• Quá trình xử lý, nội suy, ngoại suy số liệu
• Mô hình thiếu biến hoặc dạng hàm sai
→ Các ước lượng LS là ước lượng không chệch

nhưng không phải ước lượng hiệu quả/không
phải ước lượng tốt nhất.
• Kiểm định Durbin-Watson
- Dùng để phát hiện tự tương quan bậc 1
- Dùng phần dư et là đại diện cho ut
- Mô hình phải có hệ số chặn và không chứa
biến trễ bậc 1 của biến phụ thuộc làm biến độc
lập (không phải mô hình tự hồi quy)
• Các bước thực hiện kiểm định
- Ước lượng MH ban đầu thu được phần dư et

n
∑ t t −1
( e − e )2
- Tính d = t =2
n
≈ 2( 1 − ρ̂ )= DW-Statistic
∑ t
e 2
t =1
n
∑ et et −1
trong đó ρˆ = t =2
n
là ước lượng cho ρ
∑ t
e 2
t =1
−1 ≤ ρ̂ ≤ 1 nên 0 ≤ d ≤ 4
- Với n là số quan sát và k' = k − 1 tra bảng tìm
giá trị d L và d u (bảng phụ lục).
• Quy tắc quyết định
Tự tương Không Không có Không Tự tương

quan có kết tự tương có kết quan âm
dương luận quan luận
ρ <0
ρ >0 ρ=0
0 dL dU 2 4 – dU 4 – dL 4

KIỂM ĐỊNH BREUSCH-GODFREY(BG)
• Kiểm định về tự tương quan bậc p bất kỳ.
• Các bước thực hiện kiểm định
- Hồi quy mô hình ban đầu: Yt = ⎡⎣ β 1 + β 2 X t ⎦⎤ + ut
thu được phần dư là et
- Hồi quy các mô hình phụ:
et = ⎡⎣ β 1 + β 2 X t ⎤⎦ + vt (*)
et = ⎡⎣ β 1 + β 2 X t ⎤⎦ + ρ1et −1 + ρ 2et − 2 + ... + ρ pet − p + vt (**)
- Kiểm định giả thiết:

⎧⎪ H 0 : ∀ρ i = 0( i = 1 , p )
⎨
⎪⎩ H 1 : ∃ρ i ≠ 0( i = 1 , p )
- Kiểm định χ2 : χ qs2 = n** R**2 = ( n − p ) R**2
Nếu χ qs2 > χα2 ( p ) thì bác bỏ H0.

R**2 − R*2 n** − k**
- Kiểm định F: Fqs = ×
1 − R**2
p
Nếu Fqs > Fα( p ,n** − k** ) thì bác bỏ H0.
Nếu bác bỏ H0 thì mô hình ban đầu có tự tương
quan ở bậc tương ứng, ngược lại thì mô hình
không có tự tương quan đến bậc p .
KHẮC PHỤC TỰ TƯƠNG QUAN
• Sử dụng phương pháp bình phương nhỏ nhất

tổng quát GLS dựa trên mô hình dạng sai phân.
• Biến đổi mô hình ban đầu về mô hình mới có

cùng các hệ số tương ứng như mô hình cũ nhưng
không có khuyết tật tự tương quan.
• Chi tiết tham khảo giáo trình.

ĐỊNH DẠNG MÔ HÌNH
• Các thuộc tính của mô hình tốt
-Mô hình đầy đủ
-Mô hình phù hợp về lý thuyết và thống kê
-Khả năng phân tích và dự báo
• Các sai lầm thường gặp khi định dạng mô hình
-Mô hình thừa biến độc lập
-Mô hình thiếu biến độc lập
-Dạng hàm sai

PHÁT HIỆN MÔ HÌNH THIẾU BIẾN ĐỘC LẬP
• Kiểm định Ramsey – Reset
- Hồi quy mô hình ban đầu: Yi = ⎡⎣ β 1 + β 2 X i ⎤⎦ + ui
thu được giá trị ước lượng của biến phụ thuộc là
Ŷi và hệ số xác định là R(21 ) .
- Hồi quy mô hình

Yi = ⎡⎣ β 1 + β 2 X i ⎤⎦ + α1Yˆ 2 + α 2Yˆ 3 + ... + α mYˆ m +1 + ui
2
thu được hệ số xác định là R (2)

- Kiểm định giả thiết:
⎧ H 0 : α1 = α 2 = ...α m = 0
⎨
⎩ H 1 : ∃α i ≠ 0( i = 1 ,m )
R( 2 ) − R( 1 ) n − k( 2 )
2 2
Kiểm định F: Fqs = ×

1 − R( 2 )
2
m
( m ,n − k( 2 ) )
Nếu Fqs > Fα thì bác bỏ H0.
Nếu bác bỏ H0 thì mô hình ban đầu thiếu biến độc
lập cần thiết, và ngược lại.

TỔNG KẾT PHẦN I
• Nếu mô hình không có khuyết tật, các ước

lượng là tốt nhất, ước lượng khoảng, kiểm
định giả thiết là đáng tin cậy, kết quả là tốt
cho phân tích.
• Phân tích sự tác động của các biến độc lập

đến sự biến động của biến phụ thuộc thông
qua các hệ số hồi quy và hệ số xác định.

Basic Econometrics PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Basic Econometrics PDF

Uploaded by

Copyright:

Available Formats

KINH TẾ LƯỢNG

BẬC CAO HỌC

1 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

KINH TẾ LƯỢNG NÂNG CAO

2 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

• Econometrics = Econo + Metrics → Đo lường

6 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

CHƯƠNG 2. ƯỚC LƯỢNG VÀ PHÂN TÍCH

CHƯƠNG 3. ĐÁNH GIÁ VỀ MÔ HÌNH

7 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

1.2. Mô hình hồi qui tổng thể

1.3. Mô hình hồi qui mẫu

1.4. Mô hình hồi qui tổng quát

1.5. Mô hình hồi qui trong kinh tế

• Hệ số tương quan : ρX ,Y ∈ [-1 ; 1]

• Tổng thể (Population): tất cả các phần tử chứa dấu

• Để thuận tiện: mô hình một biến độc lập, X → Y

X giải thích cho Y, Y phụ thuộc vào X

• X = X i →(Y / X i ) có quy luật phân phối xác suất

• ∃ ! E(Y / X i ): trung bình (kỳ vọng) có điều kiện

• X = X i → ! E(Y / X i ): quan hệ hàm số

→ Gọi là hàm hồi qui tổng thể

PRF: Population Regression Function

• Với mẫu cụ thể w kích thước n, βˆ j là số cụ thể.

• Thông thường Yi ≠ Yˆi , đặt ei = Yi − Yˆi và gọi là

Yˆi , βˆ 1 , βˆ 2 , ei là các ước lượng điểm tương ứng

16 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

• Hàm bậc cao

• Mô hình tự hồi quy : Yt = β 1 + β 2 X t + β 3Yt −1 + u

MÔ HÌNH KINH TẾ LƯỢNG

• 2.1. Ước lượng mô hình 2 biến

• 2.2. Ước lượng mô hình tổng quát

• 2.3. Các giả thiết của phương pháp OLS

• 2.4. Các tham số của ước lượng OLS

• 2.5. Ước lượng khoảng tin cậy của các hệ số

MÔ HÌNH KINH TẾ LƯỢNG

• 2.6. Kiểm định giả thuyết về các hệ số

22 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

• β̂ 1 , βˆ 2 ước lượng bằng phương pháp bình phương

23 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

• Sử dụng ngôn ngữ ma trận, xác định được ma trận

25 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

Nếu tổng thể thỏa mãn các giả thiết trên

thì ước lượng OLS sẽ là ước lượng tuyến

tính, không chệch, tốt nhất (trong số các

ước lượng không chệch) của các tham số.

(BLUE: Best Linear Unbias Estimate)

27 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

Độ lệch chuẩn: Se( βˆ j ) = Var( βˆ j ) (j = 1,2)

σ chưa biết, được ước lượng bởi : σ =

Cov( βˆ ) = σ 2 ( X ' X )−1

β j < βˆ j + Se( βˆ j )tα( n− k )

β j > βˆ j − Se( βˆ j )tα( n− k )

Cặp giả thiết Tiêu chuẩn Miền bác bỏ

33 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

34 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

< ( a βˆ i ± bβˆ j ) + Se( a βˆ i ± bβˆ j )tα( n/ −2 k )

Se( a βˆ i ± bβˆ j ) = a 2Var( βˆ i ) ± 2abCov( βˆ i , βˆ j ) + b 2Var( βˆ j )

• KTC tối đa và tối thiểu: tương tự

35 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

38 Lê Đức Hoàng -Faculty of Mathematical Economics - NEU

H0: Hàm hồi quy không phù

⎨ hợp (tất cả các biến giải thích