CÁC DẠNG HÀM

NỘI DUNG CHÍNH

Khái niệm Các dạng hàm
giá trị cận
biên và hệ
số co giãn
Hàm Hàm
tuyến Hàm bán logarit
nghịch Hàm
tính đảo đa thức
logarit
Hàm Hàm
log-lin lin-log
 KHÁI NIỆM
GIÁ TRỊ CẬN BIÊN VÀ HỆ SỐ CO GIÃN
1. Khái niệm giá trị cận biên
Giả sử ta có hàm Y=f(X). Giá trị biên tế của Y theo X (kí hiệu MYX) được
tính như sau:
∆𝑌
𝑀𝑋𝑌 =
∆𝑋

Trong đó, ΔY là lượng thay đổi tuyệt đối của Y

ΔX là lượng thay đổi tuyệt đối của X
Khi ΔX →0, giá trị cận biên xấp xỉ đạo hàm của Y theo X.
 Ý nghĩa: Khi biến độc lập X thay đổi 1 đơn vị thì biến phụ thuộc Y thay
đổi MYX đơn vị.
 KHÁI NIỆM
GIÁ TRỊ CẬN BIÊN VÀ HỆ SỐ CO GIÃN
Ví dụ. Giả sử hàm tiêu dùng (Y) theo thu nhập (X) được mô tả từ một mẫu
số liệu như sau:
Yi= 4 + 0.6Xi + ei
(biến Y, X - triệu đồng/tháng)
→ Xu hướng tiêu dùng biên tế = 0.6: thu nhập tăng 1 triệu đồng, tiêu dùng
tăng 0.6 triệu đồng.
 KHÁI NIỆM
GIÁ TRỊ CẬN BIÊN VÀ HỆ SỐ CO GIÃN
2. Khái niệm hệ số co giãn
Giả sử ta có hàm Y=f(X). Hệ số co giãn của Y theo X (kí hiệu EYX), là tỉ lệ phần
trăm thay đổi của Y so với phần trăm thay đổi của X, được tính như sau:
∆𝑌/𝑌
𝐸𝑋𝑌 =
∆𝑋/𝑋  Ý nghĩa: Khi biến độc
lập X thay đổi 1% thì
Hay ∆𝑌 𝑋 biến phụ thuộc Y thay
𝐸𝑋𝑌 = .
∆𝑋 𝑌 đổi EYX %.

Khi ΔX →0, 𝑋
𝐸𝑋𝑌 = 𝑓𝑋′ .
𝑌
 KHÁI NIỆM
GIÁ TRỊ CẬN BIÊN VÀ HỆ SỐ CO GIÃN

Ví dụ.
Hệ số co giãn của cầu (Q) theo giá (P) đối với hàng hóa A là 𝐸𝑄𝑃 = −3
 Nghĩa là: khi giá bán tăng 1%, mức cầu của người tiêu dùng đối với hàng
hóa A giảm xuống 3%.
 CÁC DẠNG HÀM
1. Mô hình tuyến tính logarit (log-log)
Mô hình : lnYi = 1 + 2lnXi + Ui
Đặc điểm của mô hình
Lấy vi phân 2 vế của mô hình, ta có :
𝑑 𝑙𝑛𝑌 𝑑𝑌 𝑋  X thay đổi 1% thì Y trung
𝛽2 = = . = 𝐸𝑋𝑌
𝑑 𝑙𝑛𝑋 𝑑𝑋 𝑌 bình sẽ thay đổi 2(%).

Hay
𝑌 𝑑𝑌
𝛽2 . = = 𝑀𝑋𝑌
𝑋 𝑑𝑋
 VÍ DỤ
Hàm sản xuất Cobb-Douglas
Q  1 K  2 L 3
Trong đó
Q: Sản lượng/GNP;
K: Vốn (máy móc, nguyên liệu)
L: Lao động sống
β1: Tham số hằng số (giả sử là khả năng tổ chức sản xuất của doanh nghiệp, xã
hội)
𝛽2 , 𝛽2 : là tham số chưa biết, 𝛽2 , 𝛽2 > 0 tức hàm Cobb-Douglass có sản lượng tỷ
lệ thuận với lao động và vốn.
ln (Q) = ln ( 1 K  2 L  3 )
= ln 1 + ln ( K  2 ) + ln ( L  3 ) = ln 1 +  2 ln K +  3 ln L
 VÍ DỤ
Hàm sản xuất Cobb-Douglas
Hiệu quả theo Qui mô

β2+ β3: Đo lường hiệu quả theo qui mô

β2+ β3= 1: Hiệu quả không đổi theo qui mô
β2+ β3 < 1: Hiệu quả giảm dần theo qui mô
β2+ β3> 1: Hiệu quả tăng dần theo qui mô (tăng trưởng)
 VÍ DỤ
Dữ liệu của nền sản xuất Mỹ giai đoạn 1899-1922
1 2 3 4 Sản lượng Tài chính Lao động
Năm
Sản Tài chính Lao động (Q) (K) (L)
Năm 1911 153 208 145
lượng(Q) (K) (L)
1899 100 100 100 1912 177 216 152
1900 101 100 105 1913 184 226 154
1901 112 107 110 1914 169 236 149
1902 122 114 118 1915 189 244 154
1903 124 122 123 1916 225 266 182
1904 122 131 116 1917 227 298 196
1905 143 138 125 1918 223 335 200
1906 152 149 133 1919 218 366 193
1907 151 163 138 1920 231 387 193
1908 126 176 121 1921 179 407 147
1909 155 185 140 1922 240 417 161
1910 159 198 144
 VÍ DỤ
Kết quả hồi qui mô hình log-log như sau:
ln(Q) = - 0,339 + 0,207ln(K) + 0,87ln(L)
Tung độ gốc = ln A = -0,339
Do đó: A = e-0,339 = 0,712
Hàm sản xuất

Q  0,712  K 0, 2  L0,87
 VÍ DỤ
 Kiểm định thống kê
 K và L có tác động đến sản lượng nếu 2  0 và 3  0.
Giả thiết
H0: β2 = 0 (Vốn không tác động đến sản lượng)
H1: β2  0 (Vốn có tác động)

Trị thống kê
ˆ j  0
t
 
se ˆ j (d.f. = n – k)

Trị thống kê cho các hệ số của ví dụ này

0,2074 0,8702
t ˆ   3,4763 t ˆ   6,4058
2
0,0596 3
0,1358
 VÍ DỤ
1. Giả thuyết 3. Trị thống kê
H0: βj = 0 Coefficients Standard Error t Stat P-value

H1: βj  0 Ln(K) 0.2074 0.0596 3.4763 0.0022

Ln(L) 0.8702 0.1358 6.4058 2.38E-06
2. Trị tới hạn
d.f. = 24-3 = 21 Trị thống kê 𝑡𝛽2 và 𝑡𝛽3 đều rơi vào vùng bác bỏ 𝐻0
 = 0,05 (Hoặc p-value < 0.05 nếu sử dụng p-value)
t21; 0,025 = 2,0796
4. Kết luận
/2=0,025 /2=0,025 Bác H0 cho mỗi biến
Có đủ bằng chứng để kết luận vốn
và lao động có ảnh hưởng đến sản
Bác H0 Không bác H0
-tα/2
0
tα/2
Bác H0
lượng ở mức ý nghĩa  = 0,05.
-2,0796 2,0796
 CÁC DẠNG HÀM
2. Mô hình bán logarit (log-lin) (Mô hình tăng trưởng)
Mô hình : lnYi = 1 + 2Xi + Ui
Đặc điểm của mô hình
Lấy vi phân 2 vế của mô hình, ta có :
𝑑 𝑙𝑛𝑌 𝑑𝑌/𝑌 𝑇ℎ𝑎𝑦 đổ𝑖 𝑡ươ𝑛𝑔 đố𝑖 𝑐ủ𝑎 𝑌
𝛽2 = = =
𝑑 𝑋 ∆𝑋 𝑇ℎ𝑎𝑦 đổ𝑖 𝑡𝑢𝑦ệ𝑡 đố𝑖 𝑐ủ𝑎 𝑋

 X tăng 1đơn vị thì Y trung bình sẽ thay đổi 2.100(%).

 CÁC DẠNG HÀM
2. Mô hình bán logarit (log-lin) (Mô hình tăng trưởng)
Đặc điểm của mô hình

𝑑 𝑙𝑛𝑌 𝑑𝑌 𝑋
𝐸𝑋𝑌 = = . = 𝛽2 𝑋
𝑑 𝑙𝑛𝑋 𝑑𝑋 𝑌

𝑑𝑌
𝑀𝑋𝑌 = = 𝛽2 𝑌
𝑑𝑋
 VÍ DỤ
Ví dụ : Mô hình tăng trưởng
Yt = Y0 (1 + g) t
Yt : GDP thời điểm t (t =1,2,3,…)
g : tốc độ tăng trưởng bình quân năm
Lấy ln hai vế : lnYt = lnY0 + [ln(1+g)].t
hay lnYt = 1 + 2 t
Ví dụ : Với số liệu GDP từ 1972-1991, ta có
 VÍ DỤ
Ví dụ : Với số liệu GDP từ 1972-1991, ta có
ln̂ GDP  8.02  0.0247 t
 GDP thực tăng trưởng với tốc độ 2.47% năm
 CÁC DẠNG HÀM
2. Mô hình bán logarit (lin-log)
Mô hình : Yi = 1 + 2lnXi + Ui
Đặc điểm của mô hình:
𝑑𝑌 𝑇ℎ𝑎𝑦 đổ𝑖 𝑡𝑢𝑦ệ𝑡 đố𝑖 𝑐ủ𝑎 𝑌
𝛽2 = =
𝑑𝑋/𝑋 𝑇ℎ𝑎𝑦 đổ𝑖 𝑡ươ𝑛𝑔 đố𝑖 𝑐ủ𝑎 𝑋

 X tăng 1% thì Y trung bình sẽ thay đổi 2/100 đơn vị

 CÁC DẠNG HÀM
2. Mô hình bán logarit (lin-log)
Mô hình : Yi = 1 + 2lnXi + Ui
Đặc điểm của mô hình:
𝑑 𝑙𝑛𝑌 𝑑𝑌 𝑋
𝐸𝑋𝑌 = = . = 𝛽2 /𝑌
𝑑 𝑙𝑛𝑋 𝑑𝑋 𝑌

𝑑𝑌
𝑀𝑋𝑌 = = 𝛽2 /𝑋
𝑑𝑋
 CÁC DẠNG HÀM
2. Mô hình bán logarit (lin-log)
Ứng dụng trong các tình huống về gia tăng cận biên giảm dần:
─ Sản lượng cận biên của lúa sẽ giảm dần khi gia tăng diện tích
trồng lúa
─ Mức thỏa dụng cận biên sẽ giảm dần khi gia tăng tiêu dùng
cùng loại sản phẩm.
─ Tốc độ gia tăng của cung tiền ảnh hưởng đến GDP
 VÍ DỤ
Ví dụ :Hồi qui GNP theo ln(cung tiền) với số liệu từ 1973 đến 1987, ta có :

ˆ  16329.2  2584.785ln M
GNPt t

 GNP hàng năm tăng 25.85 đơn vị khi cung tiền tăng 1%.
 CÁC DẠNG HÀM
3. Mô hình nghịch đảo

Mô hình :  1 
Yi  1   2    U i
 Xi 
Đặc điểm của mô hình:
Khi X   Y  1
𝛿𝑌 𝛿𝑌
𝛽2 = =−
𝛿 1/𝑋 𝛿𝑋/𝑋 2
 CÁC DẠNG HÀM
3. Mô hình nghịch đảo

Đặc điểm của mô hình:

𝛿𝑌 𝛽2
𝑀𝑋𝑌 = =− 2
𝛿𝑋 𝑋

𝛿𝑌/𝑌 𝛽2
𝐸𝑋𝑌 = =−
𝛿𝑋/𝑋 𝑋𝑌
 CÁC DẠNG HÀM
3. Mô hình nghịch đảo
Một số trường hợp áp dụng mô hình này:
- Quan hệ giữa chi phí sản xuất cố định trung bình (AFC) và sản lượng.
- Quan hệ giữa tỉ lệ thay đổi tiền lương và tỉ lệ thất nghiệp (đường cong
philips).
 CÁC DẠNG HÀM
4. Mô hình hồi quy đa thức
 Biến phụ thuộc và độc lập có thể có liên hệ phi tuyến
 Sử dụng sơ đồ scatter để xác định quan hệ phi tuyến
Ví dụ: Mô hình bậc hai
Y  β1  β 2 X 2  β3X 22  ε i
Cùng một biến độc lập, nhưng có trị bình phương.
Trong đó:
β1 = Tung độ gốc
β2 = Hệ số hồi qui cho tác động tuyến tính của X đến Y.
β3 = Hệ số hồi qui cho tác động bình phương của X đến Y.
εi = Sai số ngẫu nhiên Y cho điểm quan sát i
 CÁC DẠNG HÀM
4. Mô hình hồi quy đa thức
 Biến phụ thuộc và độc lập có thể có liên hệ phi tuyến
 Sử dụng sơ đồ scatter để xác định quan hệ phi tuyến
Ví dụ: Mô hình bậc hai
Y  β1  β 2 X 2  β3X 22  ε i
Cùng một biến độc lập, nhưng có trị bình phương.
Trong đó:
β1 = Tung độ gốc
β2 = Hệ số hồi qui cho tác động tuyến tính của X đến Y.
β3 = Hệ số hồi qui cho tác động bình phương của X đến Y.
εi = Sai số ngẫu nhiên Y cho điểm quan sát i
 CÁC DẠNG HÀM
4. Mô hình hồi quy đa thức
Yi  β1  β2 X2i  β3X 2i
2
 εi
Mô hình bình phương nên được cân nhắc khi biểu đồ scatter có những hình dạng sau:
Y Y Y Y

X1 X1 X1 X1
β2 < 0 β2 > 0 β2 < 0 β2 > 0
β3 > 0 β3 > 0 β3 < 0 β3 < 0
β2 = Hệ số tuyến tính
β3 = Hệ số bình phương
 VÍ DỤ
Độ sạch
Thời gian lọc
Ví dụ: Độ sạch tăng khi thời gian lọc tăng
3 1
7 2
8 3 Độ sạch vs. Thời gian lọc
15 5 100
22 7
33 8 80

40 10
60
Độ sạch

54 12
67 13
40
70 14
78 15 20
85 15
87 16 0
0 5 10 15 20
99 17
Thời gian lọc
 VÍ DỤ
Kết quả ước lượng mô hình hồi quy tuyến tính đơn biến
Standard Biểu đồ sai số
Coefficients Error t Stat P-value
Intercept -11.28267 3.46805 -3.25332 0.00691 10
8
Time 5.98520 0.30966 19.32819 2.078E-10

Sai số
6
4
2
Regression Statistics Significance
0
F F -2 0 5 10 15 20
R Square 0.96888
-4
Adjusted R 373.57904 2.0778E-10 -6
Square 0.96628 -8
-10
Standard Error 6.15997 Thời gian

 Trị t, trị F, và R2 tất cả đều lớn, nhưng sai số không ngẫu nhiên
 VÍ DỤ
Kết quả ước lượng mô hình bình phương Biểu đồ sai số
Coefficient Standard 6
5
s Error t Stat P-value

Sai số
4
3
Intercept 1.53870 2.24465 0.68550 0.50722 2
1
Time 1.56496 0.60179 2.60052 0.02467 0
-1 0 5 10 15 20
Time-squared 0.24516 0.03258 7.52406 1.165E-05 -2
-3
Thời gian
Regression Statistics Significan
R Square 0.99494 F ce F
Biểu đồ sai số
Adjusted R 1080.7
6
Square 0.99402 330 2.368E-13 5

Sai số
4
Standard Error 2.59513 3
2
1
0
Mô hình bình phương: R2 hiệu chỉnh lớn hơn, -1 0
-2
50 100 150 200 250 300 350

standard Error bé hơn, Sai số là ngẫu nhiên. -3

(Thời gian)2