BÀI GIẢNG

KINH TẾ LƯỢNG
ECONOMETRICS

Lê Anh Đức
Khoa Toán kinh tế
ĐH Kinh tế Quốc dân

1
 CHƯƠNG III: MÔ HÌNH HỒI QUY BỘI

3.1. Mô hình hồi quy ba biến

3.2. Các giả thiết của mô hình
3.3. Ước lượng các tham số của mô hình hồi quy ba biến
3.4. Phương sai và độ lệch chuẩn của các ước lượng OLS
3.5. Mô hình hồi quy tuyến tính k biến - phương pháp ma
trận
3.6. Ước lượng của các tham số OLS
3.7. Ma trận hiệp phương sai của ̂

2
3.8. Các tính chất của ước lượng OLS
3.9. Ước lượng hợp lý tối đa
3.10. Hệ số xác định bội R2 và hệ số xác định bội đã hiệu chỉnh
3.11. Ma trận
R 2 tương quan
3.12. Hệ số tương quan riêng phần
3.13. Kiểm định giả thiết và khoảng tin cậy của các hệ số hồi
quy riêng – kiểm định T
3.14. Kiểm định giả thiết R2 = 0
3.15. Kiểm định có điều kiện ràng buộc – Kiểm định F
3.16. Dự báo
3.17. Thí dụ
3.18. Một số dạng của hàm hồi quy
3
 3.1. Mô hình hồi quy ba biến
• Xét mô hình:

PRF : E (Y / X 2i , X 3i )  1   2 X 2i   3 X 3i
PRM :Yi  1   2 X 2i   3 X 3i  U i (i  1  N )

• Trong đó
Y là biến phụ thuộc
X2i X3i là hai biến độc lập
β1 là hệ số chặn
β2, β3 là các hệ số góc riêng phần (hệ số hồi quy riêng)
4
• Ý nghĩa
Hệ số β1 = E(Y/X2i = X3i = 0) là giá trị trung bình của Y
khi X2i = X3i = 0.
E (Y / X 2 , X 3 )
2 
X 2

β2 cho biết khi X2 tăng một đơn vị thì trung bình của Y
thay đổi như thế nào trong điều kiện X3 không thay đổi.
E (Y / X 2 , X 3 )
3 
X 3

β3 cho biết khi X3 tăng một đơn vị thì trung bình của Y
thay đổi như thế nào trong điều kiện X2 không thay đổi.

5
 3.2. Các giả thiết của mô hình
• GT1: Biến độc lập là phi ngẫu nhiên
• GT2: Kỳ vọng của các SSNN bằng 0
E(Ui) = 0  i
• GT3: Phương sai của các SSNN bằng nhau
Var(Ui) = Var(Uj) = 2  i ≠ j
• GT4: Các SSNN không tuơng quan với nhau
Cov(Ui ,Uj) = 0  i ≠ j
• GT5: Các SSNN và các biến độc lập không tương quan với nhau
Cov(Ui , X2i) = 0, Cov(Ui , X3i) = 0  i
• GT6: Các sai số ngẫu nhiên có phân phối chuẩn
U i  N (0,  2 )
• GT7: Các biến giải thích không có quan hệ tuyến tính 6
 3.3. Ước lượng các tham số của mô hình
hồi quy ba biến
• Trong tổng thể
PRF : E (Y / X 2i , X 3i )  1   2 X 2i   3 X 3i
PRM :Yi  1   2 X 2i   3 X 3i  U i (i  1  N )
• Trong mẫu W  (Yi , X 2i , X 3i ) : i  1  n
SRF :Yˆi  ˆ1  ˆ2 X 2i  ˆ3 X 3i
SRM : Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i  ei (i  1  n)
ˆ ˆ ˆ là các ước lượng điểm của β1,β2,β3
 , ,
1 2 3
là ước lượng điểm của E(Y/X2i,X3i)
Yˆi
ei là ước lượng điểm của Ui
7
• Phương pháp ước lượng OLS
Tìm ˆ1 , ˆ2 , ˆ3 sao cho:
n n n
RSS   ei2   (Yi  Yˆi ) 2   (Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i )2  f ( ˆ1 , ˆ2 , ˆ3 )  Min
i 1 i 1 i 1

• Các hệ số ˆ1 , ˆ2 , ˆ3 là nghiệm của hệ

 f ( ˆ1 , ˆ2 , ˆ3 ) n

  2 (Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i )  0

 ˆ1 i 1

 f ( ˆ , ˆ , ˆ ) n


1 2 3
 2 X 2i (Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i )  0
 ˆ
 2 i 1
 ˆ , ˆ , ˆ )
f (  n
 1 2 3
 2 X 3i (Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i )  0
 ˆ3 i 1
8
 ˆ ˆ
n
ˆ
n n

  1 n   2  X 2 i   3  X 3i   Yi
 i 1 i 1 i 1

ˆ n n n n
  1  X 2i  ˆ2  X 2i  ˆ3  X 2i X 3i   X 2iYi
2

 i 1 i 1 i 1 i 1
 n n n n

 ˆ1  X 3i  ˆ2  X 2i X 3i  ˆ3  X 3i   X 3iYi

2

 i 1 i 1 i 1 i 1

• Ký hiệu
1 n
Y   Yi ; yi  Yi  Y
n i 1
1 n
X 2   X 2i ; x2 i  X 2 i  X 2
n i 1
1 n
X 3   X 3i ; x3i  X 3i  X 3
n i 1
9
• Ta có

ˆ1  Y  ˆ2 X 2  ˆ3 X 3

n n n n
( x2i yi )( x32i )  ( x3i yi )( x3i x2i )
ˆ2  i 1
n
i 1
n
i 1
n
i 1

( x )( x )  ( x3i x2i ) 2

2
2i
2
3i
i 1 i 1 i 1
n n n n
( x3i yi )( x22i )  ( x2i yi )( x3i x2i )
ˆ3  i 1
n
i 1
n
i 1
n
i 1

( x )( x )  ( x3i x2i )

2
2i
2
3i
2

i 1 i 1 i 1

10
 3.4. Phương sai và độ lệch chuẩn của các
ước lượng OLS
n n n
 
2  3i 3  2i 2 3  3i 2 i 
2 2 2 2
1 ( X x )  ( X x )  (2 X X x x )
Var ( ˆ1 )   2   i 1
n n
i 1
n
i 1
  Se ( ˆ )  Var ( ˆ )
1 1
 n 
( x22i )( x32i )  ( x3i x2i )2
 i 1 i 1 i 1

n

 3i
x 2

2
Var ( ˆ2 )  n n
i 1
n
2
  n
 Se( ˆ2 )  Var ( ˆ2 )
( x )( x )  ( x3i x2i )
2
2i
2
3i
2
 2i 23 )
x 2
(1  r 2

i 1 i 1 i 1 i 1
n

 2i
x 2

2
Var ( ˆ3 )  n n
i 1
n
2  n
 Se( ˆ3 )  Var ( ˆ3 )
( x22i )( x32i )  ( x3i x2i )2 x 2
3i (1  r232 )
i 1 i 1 i 1 i 1
11
• Ma trận hiệp phương sai của các ước lượng OLS
 Cov( ˆ1 , ˆ1 ) Cov( ˆ1 , ˆ2 ) Cov( ˆ1 , ˆ3 ) 
 
Cov( ˆ )   Cov( ˆ2 , ˆ1 ) Cov( ˆ2 , ˆ2 ) Cov( ˆ2 , ˆ3 ) 
 
 Cov( ˆ3 , ˆ1 ) Cov( ˆ3 , ˆ2 ) Cov( ˆ3 , ˆ3 ) 
 
Cov( ˆ , ˆ )  Cov( ˆ , ˆ )(i  j )
i j j i

Cov( ˆi , ˆi )  Var ( ˆi )(i )

• Ta có
r23 2
Cov( ˆ2 , ˆ3 ) 
n n
(1  r23 ) x x
i 1
2
2i
i 1
2
3i

12
• Trong đó
Sai số tiêu chuẩn
n
của đường hồi quy
i
e 2

ˆ
 2 i 1
n3
r23 là hệ số tương quan của biến X2 ,X3
n
( x2i x3i ) 2
2
r 
23 n
i 1
n

 2 i  3i
x 2

i 1
x 2

i 1

13
• Hệ số xác định bội của mô hình
n n
ˆ2  x2i yi  ˆ3  x3i yi
2 ESS RSS
R   1  i 1
n
i 1
TSS TSS
 i
y 2

i 1

Hệ số xác định bội cho biết tỷ lệ % sự biến thiên

của Y được giải thích thông qua hai biến độc lập
X2 và X3 của mô hình.

14
• Hệ số tương quan
- Hệ số tương quan bội R  R 2
đo mức độ tương quan tuyến tính chung giữa Y, X2 và X3
- Hệ số tương quan cặp(Simple correlation coefficent)
n n n
( x2i yi ) 2
( x3i yi ) 2
( x2i x3i ) 2
r122  n
i 1
n
; r132  n
i 1
n
; r232  n
i 1
n

x
i 1
2
2i y
i 1
2
i x
i 1
2
3i y
i 1
2
i x
i 1
2
2i  3i
x 2

i 1

+ Hệ số r12 đo mức độ tương quan tuyến tính giữa Y và X2

+ Hệ số r13 đo mức độ tương quan tuyến tính giữa Y và X3
+ Hệ số r23 đo mức độ tương quan tuyến tính giữa X2 và X3
15
 - Ma trận hệ số tương quan

 r11 r12 r13   1 r12 r13 

   
r   r21 r22 r23    r21 1 r23  (rij  rjii  j )
r r r  r r 1 
 31 32 33   31 32 

16
 - Hệ số tương quan riêng phần (Partical correlation
coefficient)
r12  r13r23 r13  r12 r23 r23  r12r13
r12,3  r13,2  r23,1 
(1  r132 )(1  r232 ) (1  r122 )(1  r232 ) (1  r122 )(1  r132 )

+ Hệ số r12,3 đo mức độ tương quan tuyến tính giữa Y và

X2 khi X3 không đổi.
+ Hệ số r13,2 đo mức độ tương quan tuyến tính giữa Y và
X3 khi X2 không đổi.
+ Hệ số r23,1 đo mức độ tương quan tuyến tính giữa X 2 và
X3 khi Y không đổi.
17
 3.5. Mô hình hồi quy tuyến tính k biến –
phương pháp ma trận
• Xét mô hình:
PRF : E (Y / X 2i , X 3i ,..., X ki )  1   2 X 2i  3 X 3i  ...   k X ki
PRM :Yi  1   2 X 2i   3 X 3i  ...   k X ki  U i (i  1  N )
• Trong đó
Y là biến phụ thuộc
X2i X3i, …,Xki là các biến độc lập
β1 là hệ số chặn
β2,β3, …, βk là các hệ số góc riêng phần (hệ số hồi quy riêng)
• Giá trị của k cho biết: Số biến và số tham số cần ước
lượng của mô hình
18
• Ý nghĩa

Hệ số β1 = E(Y/X2i = X3i = …= Xki = 0) là giá trị trung

bình của Y khi X2i = X3i = …= Xki = 0.
E (Y / X 2 , X 3 ,..., X k )
m  (m  2  k )
X m

βm cho biết khi Xm tăng một đơn vị thì trung bình của Y
thay đổi như thế nào trong điều kiện các biến Xj
(j  m)
không thay đổi.

19
• Giả sử có n quan sát, mỗi quan sát có k giá trị
(Yi, X2i, …, Xki)
• Ký hiệu
 Y1   1 X 21 ... X k1   1   U1 
Y  1 X ... X k 2    U 
Y  2 X  22
  2 U  2
 ...   ... ... ... ...   ...   ... 
       
 Yn n1  1 X 2n ... X kn nk   k  k1  U n  n1

• Khi đó
PRF : E (Y )  X 
PRM : Y  X   U
20
• Các giả thiết của mô hình
GT1: Biến độc lập là phi ngẫu nhiên
GT2: Kỳ vọng của các SSNN bằng 0
E(Ui) = 0  i
GT3: Phương sai của các SSNN bằng nhau
Var(Ui) = Var(Uj) = 2  i ≠ j
GT4: Các SSNN không tuơng quan với nhau
Cov(Ui ,Uj) = 0  i ≠ j
GT5: Các SSNN và biến độc lập không tương quan với nhau
Cov(Ui , Xmi) = 0  i,m
GT6: Các sai số ngẫu nhiên có phân phối chuẩn
U i  N (0,  2 )
GT7: Các biến giải thích không có quan hệ tuyến tính – Ma trận X
là không suy biến. 21
 3.6. Ước lượng các tham số OLS
• Trong tổng thể
PRF : E (Y / X 2i , X 3i ,..., X ki )  1   2 X 2i  3 X 3i  ...   k X ki
PRM :Yi  1   2 X 2i   3 X 3i  ...   k X ki  U i (i  1  N )

• Trong mẫu W  (Yi , X 2i , X 3i ) : i  1  n

SRF :Yˆi  ˆ1  ˆ2 X 2i  ˆ3 X 3i  ...  ˆk X ki
SRM : Yˆi  ˆ1  ˆ2 X 2i  ˆ3 X 3i  ...  ˆk X ki  ei (i  1  n)
ˆ , ˆ ,..., ˆ
1 2 k là các ước lượng điểm của β1,β2,…,βk
Yˆi là ước lượng điểm của E(Y/X , X ,…,X )
2i 3i ki

ei là ước lượng điểm của Ui

22
• Ký hiệu
 Yˆ1   ˆ1   e1 
    e 
 Yˆ  ˆ 
Yˆ   2  ˆ   2  e 2
...  ... 
   ...   
 Yˆ   ˆ   en n1
 n n1  k k1
• Khi đó
SRF : Yˆ  X ˆ
SRM : Y  X ˆ  e

23
 • Phương pháp ước lượng OLS
Tìm véc tơ ˆ sao cho:
RSS  eT e  (Y  X ˆ )(Y  X ˆ )T  Y T Y  2ˆ T X T Y  ˆ T X T X ˆ  f ( ˆ )  Min

• Véc tơ ˆ là nghiệm của hệ

f ( ˆ )
0
ˆ
 ˆ  ( X T X ) 1 X T Y

24
 3.7. Ma trận hiệp phương sai của ˆ

• Ta có
 Var ( ˆ1 ) Cov( ˆ1 , ˆ2 ) ... Cov( ˆ1 , ˆk ) 
 
ˆ  Cov( ˆ2 , ˆ1 ) Var ( ˆ2 ) ... Cov( ˆ2 , ˆk )  2 T
Cov(  )      ( X X)
 ... ... ... ... 
 Cov( ˆ , ˆ ) Cov( ˆ , ˆ ) ... Var ( ˆk ) 
 k 1 k 2

• Sai số tiêu chuẩn của đường hồi quy

T
2 e e
ˆ 
(n  k )
25
 3.8. Các tính chất của ước lượng OLS

• Tham khảo sách bài giảng trang 61

• Chú ý: các tính chất được nêu ra đối với mô
hình hồi quy 3 biến – mô hình có hai biến độc
lập.

26
 3.9. Ước lượng hợp lý tối đa ML
(Maximum Likelihood)
• Ngoài phương pháp OLS ra người ta cũng có thể sử
dụng phương pháp ước lượng hợp lý tối đa để ước lượng
các hệ số của PRF.
• Kết quả ước lượng được từ hai phương pháp là tương tự.
• Điểm khác biệt duy nhất là
n

e 2
i
OLS  ˆ 2  i 1
; E (ˆ 2 )   2
nk
n

2
i
e 2

2 2
ˆ
ML    i 1
; ˆ
E ( )  
n 27
 3.10. Hệ số xác định bội R2 và hệ số xác định
bội đã hiệu chỉnh R 2

• Hệ số R2
2 ESS RSS ˆ
 T
X T
Y  nY 2
e T
e
R   1  T 2
 1 T
TSS TSS Y Y  nY Y Y  nY 2

• Ý nghĩa: R2 cho biết tỷ lệ % sự biến thiên của Y

được giải thích thông qua toàn bộ các biến độc
lập của mô hình.

28
• Hệ số xác định bội đã hiệu chỉnh
2 RSS /( n  k ) 2 n 1
R  1  1  (1  R )
TSS /( n  1) nk
- Mục đích của việc hiệu chỉnh là để xem xét
việc có nên đưa thêm biến giải thích vào mô
hình hay không.
- Một biến mới sẽ được đưa vào mô hình nếu hệ
số của biến mới đưa vào mô hình có ý nghĩa
thống kê và hệ số R 2 còn tăng.

29
 3.11. Ma trận tương quan
• Hệ số tương quan bội R  R 2đo mức độ tương quan tuyến
tính chung giữa Y và các biến giải thích trong mô hình.
• Hệ số tương quan cặp
 r11 r12 ... r1k   1 r12 ... r1k 
r r22 ... r2 k   r21 1 ... r2 k 
r   21  (rij  rji i  j )
 ... ... ... ...   ... ... ... ... 
   
 rk 1 rk 2 ... rkk   rk 1 rk 2 ... 1 

- Các hệ số tương quan cặp rij (i,j = 2,3,…,k) cho biết mức độ
tương quan tuyến tính giữa biến Xi và Xj
- Các hệ số tương quan cặp r1j (j = 2,3,…,k) cho biết mức độ tương
quan tuyến tính giữa biến Y và Xj
30
 3.12. Hệ số tương quan riêng phần
• Xét mô hình
Yi  1   2 X 2i   3 X 3i   4 X 4i  U i

- Các hệ số tương quan riêng phần bậc 2: r12,34, r13,24, r14,23,

r23,14, r24,13, r34,12.
+ Hệ số r12,34 cho biết mức độ tương quan tuyến tính giữa Y và X2
trong điều kiện X3 và X4 không thay đổi.
+ Hệ số r23,14 cho biết mức độ tương quan tuyến tính giữa X2 và X3
trong điều kiện Y và X4 không thay đổi.
- Các hệ số tương quan cặp có thể xem là hệ số tương
quan riêng phần bậc 0. 31
 3.13. Kiểm định giả thiết và khoảng tin cậy
của các hệ số hồi quy riêng – kiểm định T
1. Đối với  j ( j  1  k )
Ước lượng khoảng tin cậy
Kiểm định giả thiết

2
2. Đối với 
Ước lượng khoảng tin cậy
Kiểm định giả thiết

32
Ước lượng khoảng tin cậy đối với  j ( j  1 k)

ˆ j   j
• Ta có T  T ( nk ) do đó với độ tin cậy (1 - ) ta có
Se( ˆ )j

- Khoảng tin cậy đối xứng

ˆ ˆ ( nk ) ˆ ˆ ( n k ) 
P   j  Se(  j )T   j   j  Se(  j )T   1  
 2 2 
- Khoảng tin cậy bên phải dùng để ước lượng giá trị tối
thiểu.
P   j  ˆ j  Se( ˆ j )T( nk )   1  
- Khoảng tin cậy bên trái dùng để ước lượng giá trị tối đa:
P   j  ˆ j  Se( ˆ j )T( nk )   1  
33
 Kiểm định giả thiết đối với  j ( j  1 k)

• Kiểm định các cặp giả thiết

 H 0 :  j   *j  H 0 :  j   *j  H 0 :  j   *j
 *
(1),  *
(2),  *
(3)
 H1 :  j   j  H1 :  j   j  H1 :  j   j
ˆ j   *j
• Tiêu chuẩn kiểm định T 
Se( ˆ )
j

• Miền bác bỏ giả thiết H0 với mức ý nghĩa  cho trước

của các cặp giả thiết  ( nk ) 
W  T : T  T 
- Với cặp giả thiết (1)  2 
- Với cặp giả thiết (2) W  T : T  T( nk ) 
- Với cặp giả thiết (3) W  T : T  T( nk ) 
34
• Trường hợp đặc biệt
 H 0 :  j  0  H 0 :  j  0  H 0 :  j  0
 (1),  (2),  (3)
 H1 :  j  0  H1 :  j  0  H1 :  j  0
• Có thể sử dụng phương pháp kiểm định bằng giá trị P-
value (P-value là mức xác suất nhỏ nhất để bác bỏ giả
thiết H0), thường ký hiệu là P.
• Quy tắc kết luận với mức ý nghĩa  cho trước như sau:
- Với cặp giả thiết (1)
+ Nếu  > P thì bác bỏ giả thiết H0
+ Nếu  < P thì không có cơ sở bác bỏ giả thiết H0
- Với cặp giả thiết (2) và (3)
+ Nếu  > P/2 thì bác bỏ giả thiết H0
+ Nếu  < P/2 thì không có cơ ơở bác bỏ giả thiết H0 35
Ước lượng khoảng tin cậy đối với 2
( n  k )ˆ 2
• Ta có 2
 
2
 đó với độ tin cậy (1 - ) ta có
2
( n  k ) do

- Khoảng tin cậy đối xứng:

 2 2

 (n  k )ˆ (n  k )ˆ 
P 2 2  2   1
 (n  k )   (n  k )
 2 1
2

- Khoảng tin cậy bên phải dùng để ước lượng giá trị tối
thiểu:
 2 (n  k )ˆ 
2
P   2   1
  ( n  k ) 

- Khoảng tin cậy bên trai dùng để ước lượng tối đa:
 2 (n  k )ˆ 2 
P   2   1
 1 (n  k )  36
 2
Kiểm định giả thiết đối với 
• Kiểm định các cặp giả thiết

 H 0 :  2   02  H 0 :  2   02  H 0 :  2   02
 2 2
(1),  2 2
(2),  2 2
(3)
 H1 :    0  H1 :    0  H1 :    0
(n  k )ˆ 2
• Tiêu chuẩn kiểm định 2
 
 02
• Miền bác bỏ giả thiết H0 với mức ý nghĩa  cho trước của các
cặp giả thiết    2   2 (n  k ) 
- Với cặp giả thiết (1)  2  2 
W    :  2 2 
    1 (n  k ) 
  2 
- Với cặp giả thiết (2)
- Với cặp giả thiết (3) W    2
:  2
   ( n  k )
2

W   2 :  2  12 (n  k ) 37
 3.14. Kiểm định sự phù hợp của hàm hồi quy
• R2tổng thể = 0 : hàm hồi qui không phù hợp
• Kiểm định cặp giả thiết
 H 0 :  2  3  ...   k  0  H 0 : R 2  0
 
 H 1 : !  j  0  H
 1 : R 2
0
• Ta có 2
R /(k  1)
F 2
F (k  1, n  k )
(1  R ) /(n  k )
• Miền bác bỏ giả thiết H0 với mức ý nghĩa  cho trước
W  F : F  F (k  1, n  k )
• Sử dụng giá trị P-value
+ Nếu  > P thì bác bỏ giả thiết H0
+ Nếu  < P thì không có cơ ơở bác bỏ giả thiết H0
38
3.15. Hồi quy có điều kiện ràng buộc – Kiểm định F
• Xét mô hình k biến, ký hiệu là UR (Unrestricted Model)
Yi  1   2 X 2i  3 X 3i  ...   m X mi  m1 X m1i  ...  k X ki  Ui
• Nếu có cơ sở cho rằng một số biến nào đó của mô hình
là không cần thiết, chẳng hạn: Xm+1, Xm+2,…,Xk. Khi đó
ta kiểm định cặp giả thiết:
 H 0 :  m1   m2  ...   k  0

 H1 : ! j  0( j  (m  1)  k )
• Nếu giả thiết H0 là đúng thì mô hình trở thành mô hình
mới R (Restricted Model) – mô hình m biến
Yi  1   2 X 2i  3 X 3i  ...   m X mi  U i
39
• Thủ tục kiểm định
- Bước 1: Lần lượt hồi quy các mô hình UR và R tìm
được RSSUR , R2UR và RSSR , R2R
- Bước 2: Sử dụng tiêu chuẩn kiểm định:
 ( RSS R  RSSUR ) /( k  m)
F  ( RSSUR ) /(n  k )
 F ( k  m, n  k )

 2
( RUR  RR2 ) /( k  m)
F  2
F (k  m, n  k )(*)
 (1  RUR ) /( n  k )
Chú ý: Công thức (*) chỉ áp dụng được khi biến phụ thuộc trong hai mô
hình (UR) và (R) là như nhau
- Miền bác bỏ với mức ý nghĩa α cho trước
W  F : F  F (k  m, n  k )
40
• Một số trường hợp quy về kiểm định thu hẹp hồi quy
Yi  1   2 X 2i  3 X 3i  U i (UR)
- Kiểm định xem sự ảnh hưởng của X2, X3 đến Y có
như nhau không:
 H 0 :  2  3  H 0 :  2  3  0
 
 H1 :  2   3  H1 :  2   3  0
+ Nếu giả thiết H0 đúng thì khi đó thay β2 = β3 và mô
hình trở thành:
Yi  1   2 ( X 2i  X 3i )  U i
+ Đặt Xi = X2i + X3i ta có:
Yi  1   2 X i  U i ( R)
41
• Một số trường hợp quy về kiểm định thu hẹp hồi quy
Yi  1   2 X 2i  3 X 3i  U i (UR)
- Kiểm định xem sự ảnh hưởng của X2, X3 đến Y có bù
trừ cho nhau không:
 H 0 :  2  3  0  H 0 :  2   3
 
 H1 :  2   3  0  H1 :  2    3
+ Nếu giả thiết H0 đúng thì khi đó thay β2 = -β3 và mô
hình trở thành:
Yi  1   2 ( X 2i  X 3i )  U i
+ Đặt Xi = X2i - X3i ta có:
Yi  1   2 X i  U i ( R)
42
• Một số trường hợp quy về kiểm định thu hẹp hồi quy
Yi  1   2 X 2i  3 X 3i  U i (UR)
- Kiểm định xem sự ảnh hưởng của X2 đến Y có gấp đôi
ảnh hưởng của X3 đên Y không:
 H 0 :  2  2 3  H 0 :  2  2 3  0
 
 H1 :  2  2  3  H1 :  2  2  3  0
+ Nếu giả thiết H0 đúng thì khi đó thay β3 = β2/2 và mô
hình trở thành: 1
Yi  1   2 ( X 2i  X 3i )  U i
2
+ Đặt Xi = X2i + X3i/2 ta có:
Yi  1   2 X i  U i ( R)
43
• Xét mô hình
Yi  1   2 X 2i  3 X 3i  U i (UR)
• Khi muốn kiểm định về tổ hợp tuyến tính bất kỳ của các
hệ số hồi quy:
 H 0 : a  2  b3  H 0 : a  2  b 3  0
 
 H1 : a  2  b  3  H1 : a  2  b  3  0
• Ta có hai cách để kiểm định
- Cách 1: Sử dụng kiểm định T
- Cách 2: Sử dụng kiểm F về sự thu hẹp hàm hồi quy

44
• Kiểm định T
– Tiêu chuẩn kiểm định
a ˆ2  bˆ3
T T ( n3)
Se(a ˆ2  bˆ3 )
Var ( aˆ2  bˆ3 )  Var ( a ˆ2 )  2Cov(a ˆ2 , bˆ3 )  Var (bˆ3 )
 a 2Var ( ˆ2 )  2abCov( ˆ2 , ˆ3 )  b 2Var ( ˆ3 )
 Se(a ˆ2  bˆ3 )  a 2Var ( ˆ2 )  2abCov ( ˆ2 , ˆ3 )  b 2Var ( ˆ3 )

– Miền bác bỏ với mức ý nghĩa α cho trước được xác

định như sau:
 ( n 3) 
W  T : T  T 
 2 
45
• Kiểm định F về sự thu hẹp hàm hồi quy

Yi  1   2 X 2i  3 X 3i  U i (UR)

• Nếu giả thiết H0 đúng thì khi đó thay β3 = aβ2/b và mô

hình trở thành:
a
Yi  1   2 ( X 2i  X 3i )  U i
b
• Đặt Xi = X2i + aX3i/b ta có:

Yi  1   2 X i  U i ( R)

46
 3.16. Dự báo
• Xét mô hình k biến
Yi  1   2 X 2i   3 X 3i  ...   k X ki  U i

• Sử dụng SRF ước lượng được để dự báo về biến

phụ thuộc.
- Dự báo giá trị trung bình của biến phụ thuộc
(biết X0T = (1, X02, X03,…,X0k) cần dự báo giá trị E(Y/X0)).
- Dự báo giá trị cá biệt của biến phụ thuộc
(biết X0T = (1, X02, X03,…,X0k) cần dự báo giá trị (Y0 = Y/X0))

47
 Dự báo giá trị trung bình của biến phụ thuộc
• SRF cho ta một ước lượng điểm của E(Y/X0) trên mẫu
Yˆ0  ˆ T X 0
• Để dự báo E(Y/X0) cho tổng thể ta ƯL khoảng tin cậy của nó.
• Ta có Yˆ0  E (Y / X 0 )
T T ( nk )
Se(Yˆ0 )
Se(Yˆ0 )  ˆ X 0T ( X T X ) 1 X 0

• Do đó với độ tin cậy (1-) cho trước

Yˆ0  Se(Yˆ0 )T( nk )  E (Y / X 0 )  Yˆ0  Se(Yˆ0 )T( n k )
2 2

E (Y / X 0 )  Yˆ0  Se(Yˆ0 )T( nk )

E (Y / X )  Yˆ  Se(Yˆ )T ( nk )
0 0 0 
48
 Dự báo giá trị cá biệt của biến phụ thuộc
• SRF cho ta một ước lượng điểm của Y0 = (Y/X0) trên mẫu
Yˆ0  ˆ T X 0
• Để dự báo Y0 của tổng thể ta ƯL khoảng tin cậy của nó.
• Ta có Yˆ0  Y0
T  T ( n k )
Se(Yˆ0  Y0 )
Se(Yˆ0 )  ˆ 1  X 0T ( X T X ) 1 X 0

• Do đó với độ tin cậy (1-) cho trước

Yˆ0  Se(Yˆ0  Y0 )T( nk )  Y0  Yˆ0  Se(Yˆ0  Y0 )T( nk )
2 2

Y0  Yˆ0  Se(Yˆ0  Y0 )T( nk )

Y0  Yˆ0  Se(Yˆ0  Y0 )T( nk ) 49
 3.17. Thí dụ
• Thí dụ 3.1 – trang 55

• Thí dụ 3.3 – trang 70

50
 3.18. Một số dạng của hàm hồi quy

• Hàm tổng chi phí

• Hàm tăng trưởng
• Hàm sản xuất Cobb – Douglas
• Hàm tuyến tính – loga
• Hàm loga – tuyến tính
• Hàm dạng Hypecbpl
• Hàm xu thế và hàm có biến trễ

51
 Hàm tổng chi phí
• Dạng hàm
TCi  1   2Qi   3Qi2   4Qi3  U i ( 1  0,  2  0,  3  0,  4  0)

• Biến đổi
Q2i  Qi2 , Q3i  Qi3
 TCi  1   2Qi   3Q2i   4Q3i  U i

52
 Hàm tăng trưởng
• Dạng hàm
Yt  Y0 (1  r )t
Trong đó: r là tốc độ tăng trưởng
• Biến đổi
ln Yt  ln Y0  t ln(1  r )
1  ln Y0 ,  2  ln(1  r )
 ln Yt  1   2t
53
 Hàm sản xuất Cobb – Douglas
• Dạng hàm
2 3 U i
Qi  1 K L e
i i

Trong đó β2, β3 là hệ số co giãn của Q theo K, L.

• Biến đổi
ln Qi  ln 1   2 ln K i  3 ln Li  U i
*
LQi  ln Qi ,   ln 1 , LK i  ln K i , LLi  ln Li
1

 LQi  1*   2 LK i  3 LLi  U i

54
 Hàm tuyến tính – loga
• Dạng hàm
Yi  1   2 ln X i  U i
• Biến đổi
*
X  ln X i
i
*
 Yi  1   2 X  U i
i

• Ý nghĩa: khi X tăng 1% thì Y tăng β2 đơn vị (?)

55
 Hàm loga - tuyến tính
• Dạng hàm
ln Yi  1   2 X i  U i
• Biến đổi
*
Yi  ln Yi
*
 Yi  1   2 X i  U i
• Ý nghĩa: khi X tăng 1 đơn vị thì Y tăng β2 % (?)
56
 Hàm dạng Hypecbol
• Mô hình chi phí trung bình phụ thuộc vào sản lượng:
1
Yi  1   2  U i ( 1 ,  2  0)
Xi
• Mô hình chi tiêu phụ thuộc vào thu nhập (đường cong
Engel): 1
Yi  1   2  U i ( 1  0,  2  0)
Xi

• Mô hình lạm phát phụ thuộc vào tỷ lệ thất nghiệp

(đường cong Philips):
1
Yi  1   2  U i ( 1  0,  2  0)
Xi
• Biến đổi
*1
X i  Yi  1   2 X i*  U i
Xi
57
 Hàm xu thế và hàm có biến trễ
• Mô hình hàm xu thế
Yt  1   2 X t   3T  U t
T là biến xu thế thời gian (Trend)
• Mô hình có biến độc lập trễ
Yt  1   2 X t  3 X t 1  U t
• Mô hình có biến phụ thuộc trễ (mô hình tự hồi quy)

Yt  1   2 X t   3Yt 1  U t

58