TRƯỜNG ĐẠI HỌC CẦN THƠ

TRƯỜNG KINH TẾ

Học phần: Kinh tế lượng (KT113/03)

Danh sách thành viên nhóm 28

Đỗ Phương Ly B2108255
Nguyễn Nhựt Tâm B2108267
Nguyễn Huỳnh Anh Thy B2108271
Nguyễn Vũ Trúc Uyên B2108277
Nguyễn Huỳnh Vũ B2108278

Giảng viên hướng dẫn: Bùi Thị Kim Thanh

1/ Ước lượng OLS giải thích sự khác biệt của giá nhà (price) dựa trên các yếu tố về đặc điểm ngôi
nhà theo thông tin sau:
livespace: diện tích căn nhà
asset: số tài sản đáng giá trong nhà
tapwat: có hệ thống nước sạch cung cấp bởi công ty cấp nước (1: có | 0: không)
urban: căn nhà ở vùng nào (1: thành thị | 0: nông thôn)
price = β1 + 𝛽 2livespace + 𝛽 3asset + 𝛽 4tapwat + 𝛽 5urban + u

Kết quả hồi quy:

 ˆ2  3.3945 : Mỗi tăng 1 đơn vị diện tích căn nhà, giá nhà tăng trung bình 3.39 triệu đồng trong điều
kiện các yếu tố khác là như nhau.
 ˆ3  130.6911 : Mỗi tăng 1 đơn vị số tài sản đáng giá, giá nhà tăng trung bình 130.69 triệu đồng
trong điều kiện các yếu tố khác là như nhau.
 ˆ4  357.7327: Có hệ thống nước sạch cung cấp bởi công ty cấp nước có ảnh hưởng tích cực đến
giá nhà, tăng trung bình 357.73 triệu đồng trong điều kiện các yếu tố khác là như nhau.
 𝛽̂ 5 = 277.4488: Căn nhà ở thành thị có giá trung bình cao hơn 277.45 triệu đồng so với căn nhà ở
nông thôn trong điều kiện các yếu tố khác là như nhau..
 R-squared = 0.2350: Mô hình giải thích được 23.50% sự thay đổi của giá nhà.

1
2/ Thực hiện kiểm định về phương sai sai số của mô hình vừa ước lượng. Giải thích kết quả kiểm
định.
2.1 Kiểm định phương sai sai số thay đổi bằng kiểm định White

Kiểm định cặp giả thuyết

H0: Mô hình không có phương sai sai số thay đổi
H1: Mô hình có phương sai sai số thay đổi
Kết quả kiểm định White cho thấy p-value = 0 < 0.05 nên bác bỏ H0.
Kết luận mô hình có phương sai sai số thay đổi với mức ý nghĩa 5%.
*Khắc phục phương sai sai số thay đổi bằng sai số chuẩn vững Robust Standard Error. Kết
quả như sau:

2
  Để khắc phục phương sai sai số thay đổi, có một số cách khác nhau, trong đó phổ biến nhất là sử
dụng phương pháp sai số chuẩn Robust. Phương pháp này sử dụng một hàm sai số chuẩn mới để
ước lượng phương sai của phần dư, không dựa trên giả thiết phương sai sai số không đổi.
 Ta thấy các hệ số ước lượng vẫn giữ nguyên chỉ có phần sai số chuẩn của mô hình thay đổi.

2.2. Kiểm định đa cộng tuyến bằng VIF

 Nếu giá trị VIF lớn hơn một ngưỡng nhất định (thường là 2), điều này có thể được coi là
một dấu hiệu của đa cộng tuyến.
 Kết quả cho thấy tất cả các biến đều có VIF < 2 và VIF trung bình bằng 1.39 < 2 nên có thể
cho rằng mô hình không có hiện tượng đa cộng tuyến.

3/ Nếu bạn muốn nghiên cứu về mối quan hệ giữa đặc điểm của chủ nhà (tuổi, giới tính, trình
độ học vấn, dân tộc, thu nhập) và giá căn nhà họ đang ở (price). Hãy đề xuất mô hình hồi quy
phù hợp sử dụng biến phụ thuộc là giá nhà (price). Thực hiện ước lượng hồi quy, giải thích
ý nghĩa và kiểm định (phương sai sai số, đa cộng tuyến) cho mô hình vừa đề xuất.
3.1 Kết quả hồi quy

3
  ˆ2  10.16383: Mỗi tăng 1 đơn vị tuổi của chủ nhà, giá nhà tăng trung bình 10.16 triệu đồng trong
điều kiện các yếu tố khác là như nhau.
 𝛽̂ 3 = -182.2357: Căn nhà thuộc sở hữu của nam có giá trung bình thấp hơn 182.24 triệu đồng so với
căn nhà thuộc sở hữu của nữ trong điều kiện các yếu tố khác là như nhau.
 𝛽̂ 4 = 28.36993: Mỗi tăng 1 đơn vị trong trình độ học vấn của chủ nhà, giá nhà tăng trung bình 28.37
triệu đồng trong điều kiện các yếu tố khác là như nhau.
 𝛽̂ 5 = 254.8333: Mỗi tăng 1 đơn vị trong kinh nghiệm sở hữu nhà, giá nhà tăng trung bình 254.83
triệu đồng trong điều kiện các yếu tố khác là như nhau.
 𝛽̂ 6 = 22.70237: Mỗi tăng 1 đơn vị trong thu nhập, giá nhà tăng trung bình 22.70 triệu đồng trong
điều kiện các yếu tố khác là như nhau.

3.2 Kiểm định phương sai sai số thay đổi bằng kiểm định White

Kiểm định cặp giả thuyết

H0: Mô hình không có phương sai sai số thay đổi
H1: Mô hình có phương sai sai số thay đổi
Kết quả kiểm định White cho thấy p-value = 0 < 0.05 nên bác bỏ H0.
Kết luận mô hình có phương sai sai số thay đổi với mức ý nghĩa 5%.

4
*Khắc phục phương sai sai số thay đổi bằng phương pháp Robust

3.3 Kiểm định đa cộng tuyến bằng VIF

 Nếu giá trị VIF lớn hơn một ngưỡng nhất định (thường là 2), điều này có thể được coi là
một dấu hiệu của đa cộng tuyến.
 Kết quả cho thấy tất cả các biến đều có VIF < 2 và VIF trung bình bằng 1.11 < 2 nên có thể
cho rằng mô hình không có hiện tượng đa cộng tuyến.

4/ Nếu bạn muốn ước lượng sự khác nhau giữa hai nhóm đối tượng nam và nữ trong mối
tương quan giữa giá nhà với trình độ học vấn của chủ nhà. Hãy điều chỉnh lại mô hình vừa
đề xuất ở mục 3 bằng cách sử dụng biến giả là biến giới tính.

5
*Để điều chỉnh mô hình để ước lượng sự khác nhau giữa hai nhóm nam và nữ trong mối tương
quan giữa giá nhà và trình độ học vấn của chủ nhà, ta thêm một tương tác giữa biến giới tính
(male) và biến trình độ học vấn (edu) là biến male_edu. Kết quả ước lượng như sau:

Hệ số hồi quy biến male_edu: 𝛽̂ 6 = -27.94387: Với cùng trình độ học vấn, giá nhà của chủ là nam sẽ thấp
hơn nữ 27.94 đơn vị trong điều kiện các yếu tố khác là như nhau.

5/ Nếu bạn tin rằng mối quan hệ giữa tuổi của chủ nhà và giá nhà họ đang ở không phải là
quan hệ tuyến tính (Chủ nhà ở độ tuổi trung niên có xu hướng ở căn nhà giá cao, chủ nhà
còn trẻ hoặc khá lớn tuổi sẽ ở căn già giá thấp hơn, chẳng hạn do nhu cầu khác nhau hoặc
vì lý do tài chính.) Hãy điều chỉnh lại mô hình vừa đề xuất ở mục 3.
Nghi ngờ rằng mối quan hệ giữa tuổi của chủ nhà và giá nhà không phải là quan hệ tuyến tính, ta
sẽ sử dụng các biến giả để mô phỏng mối quan hệ này một cách linh hoạt hơn. Ta tạo các biến giả
để biểu diễn các khoảng tuổi khác nhau và xem xét tác động của từng khoảng tuổi lên giá nhà
như sau:
Nhóm 1: Tuổi < 30 Nhóm 2: 30 Tuổi < 50 Nhóm 3: Tuổi 50

6
  Biến age_group2 có hệ số ước lượng âm và có ý nghĩa thống kê ở mức 5%, cho thấy rằng những
người thuộc độ tuổi từ 30 đến 50 có giá nhà trung bình thấp hơn 160,35 triệu đồng so với những
người thuộc độ tuổi dưới 30.
 Kết quả hồi quy cho thấy rằng biến age_group1 và age_group3 bị loại khỏi mô hình do đa cộng
tuyến. Điều này có thể là do hai biến này có mối tương quan cao với nhau.
 Như vậy có thể cho rằng tuổi của chủ nhà và giá nhà họ đang ở là quan hệ tuyến tính, tuổi
càng cao thì giá trị căn nhà họ sở hữu càng thấp.

6/ Biến phân loại nhà (houtype) cho biết mức độ kiên cố của căn nhà. Một căn nhà có thể được xếp
vào một trong hai nhóm sau: Kiên cố (nếu biến houtype = 1/2/3) và Không kiên cố (houtype = 4/5).
Hãy sử dụng hàm hồi quy Logit hoặc Probit để ước lượng khả năng một người sẽ ở trong căn nhà
kiên cố dựa trên các đặc điểm sau: giới tính, thu nhập, trình độ học vấn.
*Kết quả ước lượng mô hình Logit

7
Kết quả hồi quy cho thấy rằng mô hình có ý nghĩa thống kê ở mức 1%, với:

 R-squared là 0,0346 cho thấy mô hình giải thích được 3,46% sự biến thiên của khả năng một người
sẽ ở trong căn nhà kiên cố.
 Biến male có hệ số ước lượng âm là -0,2609215. Điều này có nghĩa là: khi giới tính của chủ nhà
thay đổi từ nữ sang nam, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ giảm đi 0,2609215.
 Biến edu có hệ số ước lượng dương là 0,0818795. Điều này có nghĩa là: khi trình độ học vấn của
chủ nhà tăng thêm 1 đơn vị, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ tăng lên 0,0818795.
 Biến income có hệ số ước lượng là 0,020273. Điều này có nghĩa là: khi thu nhập của chủ nhà tăng
thêm 1 đơn vị, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ tăng 0,020273.
7/ Hãy tạo một biến mới “price_700” nhận giá trị bằng giá trị biến “price” nếu căn nhà có giá lớn hơn
700 triệu đồng, và sẽ nhận giá trị bằng 700 nếu giá căn nhà nhỏ hơn hoặc bằng 700 triệu đồng.
Câu lệnh cụ thể như sau:
gen price_700 = price
recode price_700 (* = 700) if price <= 700

8
7.1 Hãy sử dụng hồi quy Tobit ước lượng mối quan hệ giữa giá nhà với các biến độc lập ở câu 1 và
giải thích kết quả ước lượng hồi quy cho mối quan hệ giữa giá nhà và diện tích căn nhà.
*Kết quả hồi quy mô hình Tobit

ˆ1  3.226 : Điều này có nghĩa là, khi diện tích nhà tăng thêm 1 mét vuông, giá nhà trung bình dự kiến sẽ
tăng thêm 3.226 triệu đồng. Tuy nhiên, cần lưu ý rằng kết quả này chỉ đúng đối với các căn nhà có giá lớn
hơn 700 triệu đồng. Đối với các căn nhà có giá nhỏ hơn hoặc bằng 700 triệu đồng, giá nhà được giả định là
cố định ở mức 700 triệu đồng.
Ví dụ: Nếu một căn nhà có diện tích 100 mét vuông và giá lớn hơn 700 triệu đồng, thì giá nhà trung bình
dự kiến sẽ là 100 × 3.226 = 322.6 triệu đồng. Tuy nhiên, nếu căn nhà đó có giá nhỏ hơn hoặc bằng 700
triệu đồng, thì giá nhà vẫn sẽ là 700 triệu đồng.

9
7.2 Hãy nhận xét về sai số chuẩn (standard error) của hệ số ước lượng hồi quy (coefficient) này và so
sánh với sai số chuẩn trong trường hợp sử dụng ước lượng OLS để nghiên cứu vấn đề.
 So sánh sai số chuẩn của các hệ số hồi quy mô hình TOBIT và mô hình OLS
 Trong bảng kết quả hồi quy OLS ở trên, sai số chuẩn của các hệ số hồi quy đều ở mức thấp, với giá
trị nhỏ nhất là 0.6689 đối với biến livespace và lớn nhất là 91.11 đối với biến tapwat. Điều này cho
thấy các hệ số hồi quy đều đáng tin cậy và có thể được sử dụng để dự đoán giá nhà.
 Nếu so sánh với sai số chuẩn của các hệ số hồi quy mô hình TOBIT ở trên, ta thấy rằng các sai số
chuẩn của mô hình TOBIT đều lớn hơn một chút so với mô hình OLS. Điều này có thể là do mô
hình TOBIT cho phép một số quan sát có giá trị bị khuyết thiếu và sai số chuẩn của các hệ số hồi
quy trong mô hình TOBIT bao gồm cả sai số do khuyết thiếu quan sát.
 Nhận xét chi tiết
 Biến livespace có sai số chuẩn nhỏ nhất, cho thấy mức độ thay đổi của hệ số hồi quy này giữa các
mẫu là nhỏ nhất. Điều này có nghĩa là mối quan hệ giữa diện tích nhà và giá nhà là ổn định và
đáng tin cậy, cả trong mô hình OLS và mô hình TOBIT.
 Biến asset có sai số chuẩn lớn thứ hai, cho thấy mức độ thay đổi của hệ số hồi quy này giữa các mẫu
là lớn hơn một chút so với biến livespace. Điều này cũng tương tự trong cả hai mô hình.
 Biến tapwat có sai số chuẩn lớn nhất, cho thấy mức độ thay đổi của hệ số hồi quy này giữa các
mẫu là lớn nhất. Điều này cũng tương tự trong cả hai mô hình.

10