Download TOM TAT KIEN THUC VE KINH TE LUONG and more Schemes and Mind Maps Introduction to Econometrics in PDF only on Docsity!
1. Mô hình hồi quy tuyến tính
Xem xét sự phụ thuộc của Y ( biến phụ thuộc ) vào các biến độc lập X2 , X3 ,…, Xk , ta có
Hàm hồi quy tổng thể
E( Y / X2 , X3 ,... Xk ) = X Xk k
1 2
Mô hình hồi quy tổng thể
Y = X Xk U k
1 2
Sử dụng thông tin từ mẫu ta xây dựng được
Hàm hồi quy mẫu
Y X Xk k
1 2
Mô hình hồi quy mẫu
Y X Xk e k
1 2
( j 1 , k ) j
gọi là các hệ số hồi quy
j k j
là ước lượng điểm của các hệ số hồi quy
U : sai số ngẫu nhiên (sai số giữa giá trị cá biệt của Y và giá trị trung bình của nó E( Y / X2 , X3 ,... Xk ) trong
tổng thể )
e : phần dư (residual – sai số giữa giá trị cá biệt/thực tế của Y và giá trị ước lượng của nó trong hồi quy Y
trong mẫu quan sát)
(+) Ý nghĩa của các hệ số:
1
là hệ số chặn, nó là giá trị trung bình của biến phụ thuộc khi các biến độc lập trong mô hình
nhận giá trị bằng 0.
( j 2 , k ) j
là các hệ số hồi quy riêng (các hệ số góc). Nó phản ánh tác động của biến độc lập Xj
tới biến phụ thuộc Y. Nếu các yếu tố khác không đổi, Xj tăng 1 đơn vị thì trung bình của Y sẽ tăng là j
đơn vị và ngược lại (điều kiện các yếu tố khác không đổi).
(+) Dấu của j
sẽ thể hiện chiều của mối quan hệ
j
> 0 : Xj tăng làm Y tăng và ngược lại (ảnh hưởng cùng chiều)
j
< 0 : Xj tăng làm Y giảm và ngược lại (ảnh hưởng ngược chiều)
j
= 0 : Xj thay đổi không làm Y thay đổi ( Y không có quan hệ phụ thuộc tuyến tính vào Xj )
(+) Để ước lượng 1 hồi quy mẫu tuyến tính với 1 mẫu quan sát cụ thể, phương pháp được sử dụng phổ biến
nhất hiện nay là phương pháp bình phương nhỏ nhất OLS với tiêu chuẩn ước lượng:
n
i
i
e
1
2
min
Giá trị này được gọi là Tổng bình phương phần dư ( Residual Sum of Squares – RSS hoặc Sum squared
residual )
Báo cáo OLS do phần mềm EVIEWS cung cấp:
Mô hình hồi quy tuyến tính:
Y K L U
1 2 3
Dependent Variable: Y (Biến phụ thuộc là Y)
Method: Least Squares (Phương pháp bình phương nhỏ nhất OLS)
Date: 12/19/12 Time: 09:
Sample: 1 20 (Kích thước mẫu: 20 quan sát)
Included observations: 20 (Số quan sát bao gồm: 20)
Variable Coefficient Std. Error t-Statistic Prob.
C (
1
1
ˆ
= - 21717.59 S.E(
1
S.E(
1
1
K (
2
2
ˆ
=10751.92 S.E(
2
S.E(
2
2
L (
3
3
=17662.45 S.E( 3
S.E(
3
3
R-squared R
2
= 0.715471 Mean dependent var 109468.
Adjusted R-squared
2
R
S.D. dependent var 57734.
S.E. of regression 32557.46 Akaike info criterion 23.
Sum squared resid. 1.80E+10 Schwarz criterion 23.
(Tổng bình phương phần dư)
Log likelihood - 234.5688 F-statistic 21.
Durbin-Watson stat 2.289076 Prob(F-statistic) 0.
Breusch-Godfrey Serial Correlation LM Test: (Kiểm tra hiện tượng tự tương quan)
F-statistic Fqs = 0.
Probability 0.
Obs*R-squared
2
qs =^ 0.^
Probability 0.
Ramsey RESET Test: (Kiểm tra dạng hàm sai)
F-statistic Fqs = 0.
Probability 0.
Log likelihood ratio (Không sử dụng) 0.199784 Probability 0.
White Heteroskedasticity Test: cross terms (Kiểm tra phương sai sai số thay đổi (có
hệ số chéo))
F-statistic Fqs = 5.
Probability 0.
Obs*R-squared
2
qs = 13.
Probability 0.
White Heteroskedasticity Test: no cross terms (Kiểm tra phương sai sai số thay đổi
(không có hệ số chéo))
F-statistic Fqs = 7.
Probability 0.
Obs*R-squared
2
qs =^ 13.^
Probability 0.
Còn trong dạng hàm tuyến tính với các biến dưới dạng loga Nepe này thì cách hỏi sẽ thay đổi hỏi X
(biến độc lập) tăng 1 % thì Y (biến phụ thuộc) tăng 2 %, nhận xét ý kiến này ta vẫn cần kiểm
định cặp giả thuyết:
H 0 :
2
= 2 (tương đương với nhận xét ý kiến đầu bài là đúng)
H 0 :
2
≠ 2 (tương đương với nhận xét ý kiến đầu bài là sai)
2. Công thức khoảng tin cậy của các hệ số hồi quy
(+) Với độ tin cậy (1 - ) cho trước, khoảng tin cậy của các hệ số j
KTC đối xứng : j
ˆ
- SE ( j
) t / 2 ( n – k ) < j < j
ˆ + SE ( j
) t / 2 ( n – k )
KTC bên phải : j
ˆ
- SE ( j
) t ( n – k ) < j (k là số hệ số của mô hình)
KTC bên trái : j < j
+ SE ( j
) t ( n – k )
Chú ý cách sử dụng:
- Nếu hỏi lượng thay đổi trung bình của biến phụ thuộc nằm trong khoảng nào (khi biến độc lập thay
đổi) ta sử dụng khoảng tin cậy đối xứng.
- Khi mối quan hệ xem xét là thuận chiều ( j > 0), nếu hỏi lượng thay đổi tối đa của biến phụ thuộc thì
dùng KTC tối đa, và ngược lại.
- Khi mối quan hệ là ngược chiều ( j < 0), nếu hỏi lượng thay đổi tối đa của biến phụ thuộc ta sử dụng
KTC tối thiểu và ngược lại. Sau đó đổi dấu giá trị tìm được để có kết quả cuối cùng.
(+) Với độ tin cậy (1 - ) cho trước, khoảng tin cậy của a. j + b. s
KTC đối xứng :
( )
2
( )
2
nk
j j s j s
nk
j s j s
a b Sea b t a b Sea b t
KTC bên phải :
j
nk
j s j s
a b Sea b t
( )
).
. (k là số hệ số của mô hình)
KTC bên trái :
( )
).
nk
j j s j s
a b Sea b t
Trong đó:
)] 2 ..cov(
)] .[ (
) .[ (
2 2 2 2
j s j s j s
Sea b a Se b Se ab
3. Quy tắc kiểm định giả thuyết đối với các hệ số hồi quy
a1. Cặp giả thuyết 1
1
0
H :
H :
j j
j j
Tiêu chuẩn kiểm định : T =
j
j j
Se
Với kết quả ước lượng, ta có:
j
j j
qs
Se
T
Với α cho trước, miền bác bỏ H 0 :
( )
2
nk
W T T t
Nếu
T W qs
thì bác bỏ H 0
Nếu ngược lại : chấp nhận H 0.
b1. Cặp giả thuyết 2
1
0
j j
j j
H
H
Với α cho trước, miền bác bỏ H 0 :
( )
:
nk
W T T t
Nếu
T W qs
(^) thì bác bỏ H 0
Nếu ngược lại : chấp nhận H 0.
c1. Cặp giả thuyết 3
1
0
j j
j j
H
H
Với α cho trước, miền bác bỏ H 0 :
( )
:
nk
W T T t
Nếu
T W qs
thì bác bỏ H 0
Nếu ngược lại : chấp nhận H 0.
(+) Trường hợp đặc biệt khi 0
j
Tqs =
)
ˆ (
ˆ
j
j
Se
= T- Statistic
Khi hỏi X (biến độc lập) tăng có làm Y (biến phụ thuộc) thay đổi hay không cần kiểm
định cặp giả thuyết:
H : 0
H : 0
1
0
j
j
Khi hỏi X (biến độc lập) tăng (giảm) có làm Y (biến phụ thuộc) tăng (giảm) hay không
cần kiểm định cặp giả thuyết:
H : 0
H : 0
1
0
j
j
Khi hỏi X (biến độc lập) tăng (giảm) có làm Y (biến phụ thuộc) giảm (tăng) hay không
cần kiểm định cặp giả thuyết:
H : 0
H : 0
1
0
j
j
(+) Khi kiểm định cặp giả thuyết
H : 0
H : 0
1
0
j
j
có thể sử dụng quy tắc p-value ( Prob - Probability ) như
sau :
Nếu p-value = hoặc < bác bỏ H 0
Nếu p-value > chấp nhận H 0
Hệ số
2
R còn được sử dụng để đánh giá việc đưa thêm 1 biến độc lập mới vào mô hình có cần thiết hay
không. So sánh hệ số này của mô hình đã thêm biến và mô hình chưa thêm biến mới, nếu
2
R tăng lên khi
đưa thêm biến thì biến độc lập mới là cần thiết cho mô hình và ngược lại.
Kiểm định sự phù hợp của hàm hồi quy
Cặp giả thuyết
H: 0
H : 0
2
1
2
0
R
R
H : 0 :( 1 )
H : ... 0
1
0 2
j j
k
H 0 : Hàm hồi quy không phù hợp (tất cả các biến độc lập cùng không tác động tới biến phụ thuộc)
H 1 : Hàm hồi quy phù hợp (có ít nhất một biến độc lập có giải thích cho biến phụ thuộc)
Kiểm định F: Fqs =
2
2
n k
R
k
R
1 1
2
2
k
n k
R
R
= F – Statistic
- Nếu Fqs > F ( k - 1; n - k ) thì bác bỏ H 0 : hàm hồi qui là phù hợp.
- Ngược lại, hàm hồi qui không phù hợp.
Có thể sử dụng mức xác suất (p-value) đã được phần mềm tính ra để thực hiện kiểm định cặp giả thuyết trên
theo quy tắc: Prob (F-Statistic) < Bác bỏ H 0
Prob > (^) chấp nhận H 0
Chú ý: Có thể từ công thức kiểm định trên cách tính R
2
2
k
n k
F statistic
R
5. Kiểm định thu hẹp hồi quy (kiểm định thêm biến hay bớt biến bằng kiểm định F)
(Kiểm định nhiều điều kiện ràng buộc với các hệ số hồi quy)
E ( Y/X 2 ,..,Xk - m,..,Xk ) = 1 + 2 X 2 + …+ k-mXk – m + … + kXk
(UR)
E ( Y/X 2 ,…, Xk - m ) = 1 + 2 X 2 + … + k-mXk - m
(R)
H : 0 :( 1 )
H : ... 0
1
0 1 2
j k m k j
k m k m k
(Có thể bỏ m biến…ra khỏi mô hình (UR))
(Không thể bỏ…………….)
Không cần đưa thêm m biến ….vào mô hình (R)
Nên đưa thêm m biến …… vào mô hình ( R )
Fqs =
m
n k
RSS
RSS RSS
m
n k
R
R R
R n k
R R m
UR
UR R R UR
UR
UR R
2
UR
2 2
2
2 2
Trong đó:
m – số điều kiện ràng buộc
k – số hệ số hồi quy của mô hình (UR)
n – số quan sát
Nếu Fqs > F ( m, n – k ) bác bỏ H 0 và ngược lại.
6. Các mô hình có chứa biến giả:
Biến giả D1 =
2
1
A
A
(+) Mô hình có biến độc lập là biến giả
i i i i
PRM : Y X D 1 u 1 2 3
( ) 1
A^ hoặc
i i i i
D Y X u 1 3 2
2
A hoặc
i i i i
D Y X u 1 2
(+) Mô hình có biến tương tác giữa biến độc lập và biến giả
i i i i i
PRM : Y X ( X * D 1 ) u 1 2 3
1
A hoặc
i i i i
( D 1 1 ): Y ( ). X u 1 2 3
2
A hoặc
i i i i
D Y X u 1 2
(+) Mô hình có cả biến giả và biến tương tác
i i i i i i
PRM : Y X D 1 ( X * D 1 ) u 1 2 3 4
( ) 1
A hoặc
i i i i
( D 1 1 ): Y ( )( ). X u 1 3 2 4
2
A hoặc
i i i i
D Y X u 1 2
7. Phương sai sai số ngẫu nhiên thay đổi
Giả thiết OLS : Phương sai các yếu tố ngẫu nhiên là đồng nhất : Var( Ui ) =
2
không đổi.
Giả thiết không thỏa mãn: Var( U i) =
2
i
không đồng nhất PSSS thay đổi
Kiểm định WHITE: thường dùng cho hồi quy nhiều biến
Mô hình gốc: Y = X 2 X 3 U 1 2 3
Bước 1 : Hồi qui mô hình gốc thu được phần dư ei
Bước 2 : Tạo biến
2
i
(^) e ,
2
2 i
(^) X ,
2
3 i
(^) X ,( 2 3 ) i i
X X
Hồi qui mô hình hồi qui phụ:
( 2 )
2
i
e = i i i i i
X X X X V
2
4 5
2
1 2 3
2 2 3 3 (no cross terms)
( 3 )
2
i
e = i i i i i i i
X X X X X X V
2
4 5 6
2
1 2 3
2 2 ( 2 3 ) 3 3 (cross terms)
( i ) được các hệ số xác định
2
2
R và
2
3
R (kí hiệu là
2
i
R )
m là số hệ số của mô hình ( i )
Bước 3 : Kiểm định cặp giả thuyết
1
2
2
1
2
2
1
2
2
1
2
2
2
1
n
t
t
n
t
t t
n
t
t
n
t
t
n
t
t
n
t
t t
e
e e ee
e
e e
d
Với - 1 ˆ 1 0 d 4
Với n , k ’ = k – 1 cho trước, tra bảng phụ lục 5 dL (giá trị cận dưới thống kê d) và dU (giá trị cận trên
thống kê d)
Tự tương
quan dương > 0
Không có kết
luận
Không có tự
tương quan = 0
Không có kết
luận
Tự tương
quan âm < 0
0 dL dU 4 – dU 4 – dL 4
Chú ý: Kiểm định DW sẽ không dùng được trong các trường hợp sau:
- khi mô hình không có hệ số chặn
t t t t
Y X Z U
2 3
- có biến trễ của biến phụ thuộc đóng vai trò biến độc lập giải thích trong mô hình gốc
t t t t
Y X Y U
1 2 3 1
Kiểm định Breusch - Godfrey
Bước 1 : Hồi quy mô hình ban đầu được t
e và t 1
e
Bước 2 : Hồi quy phụ
(2) t t t
e X V 1 2
(3) t t t t
e X e V 1 2 3 1
Bước 3 : Kiểm định cặp giả thuyết
H 0 : Mô hình không có tự tương quan
H 1 : Mô hình có tự tương quan
Kiểm định
2 :
2
3
2
( n 1 ) R qs
= Obs*R-squared (Breusch – Godfrey test) nếu ( 1 )
2 2
qs
thì
bác bỏ H 0 và ngược lại (trong phần mềm EVIEWS số quan sát được lấy đủ là n quan sát vì quan sát
bị thiếu do biến trễ của phần dư gây ra được gán trị bằng 0)
Kiểm định F: F qs =
2
3
2
2
2
3
n k
R
R R
= F-statistic (Breusch – Godfrey test) nếu F qs >
F (1 ,n-k-1 ) thì bác bỏ H 0 và ngược lại
Chú ý: k là số hệ số hồi quy của mô hình ban đầu và mô hình ban đầu có bao nhiêu biến độc lập đều
được đưa vào trong hồi quy phụ (2) và (3). Dạng ban đầu của các biến độc lập cũng được giữ nguyên
trong các hồi quy phụ này (nếu trong mô hình gốc là dạng ln ( Xi ) thì trong các hồi quy phụ cũng là
ln ( Xi ))
Có thể sử dụng mức xác suất đã được máy tính tính ra trong kiểm định Breusch – Godfrey để kết luận về cặp
giả thuyết theo quy tắc: Prob < Bác bỏ H 0
Prob > Chưa bác bỏ H 0
8. Phát hiện mô hình thiếu biến giải thích
Bước 1 : Hồi quy mô hình ban đầu thu được e t và t
Y
Bước 2 : Hồi quy phụ
(2) Y t = 1 + 2 Xt + 3
2 ˆ
t
Y +^ ut
(3) e t = 1 + 2 Xt + 3
2 ˆ
t
Y + ut
Bước 3 : Kiểm định cặp giả thuyết
H 0 : Mô hình ban đầu không thiếu biến (mô hình có dạng hàm đúng)
H 1 : Mô hình ban đầu thiếu biến (mô hình có dạng hàm sai)
Kiểm định
2 : nếu thì bác bỏ H 0
Kiểm định F: Fqs = = F - statistic (Ramsey Reset test) nếu Fqs >
F(1, n - k - 1) thì bác bỏ H 0.
Có thể sử dụng p-value để thực hiện kiểm định cặp giả thuyết
Prob < Bác bỏ H 0
Prob > Chưa bác bỏ H 0
Chú ý: k là số hệ số hồi quy của mô hình ban đầu và mô hình ban đầu có bao nhiêu biến độc lập đều
được đưa vào trong hồi quy phụ (2) và (3). Dạng ban đầu của các biến độc lập cũng được giữ nguyên
trong các hồi quy phụ này (nếu trong mô hình gốc là dạng ln ( Xi ) thì trong các hồi quy phụ cũng là
ln ( Xi ))
9. Kiểm định về quy luật phân phối xác suất của yếu tố ngẫu nhiên (Kiểm định Jarque Bera)
H 0 : Yếu tố ngẫu nhiên phân phối chuẩn
H 1 : Yếu tố ngẫu nhiên không phân phối chuẩn
Kiểm định
2 :
2 2
2
S K
n qs
= Jarque – Bera
Với S là hệ số bất đối xứng, K là hệ số nhọn của phẩn dư e trong mô hình ban đầu
2
2
2
1
2
2
n k
R
R R
2
3
2
nR qs
( 1 )
2 2
qs
- Các ước lượng là tốt nhất: Đối với mh sử dụng số liệu chéo các ul là tốt nhất khi tuân
thủ kđ White và Ramsey, Đối với mô hình sử dụng số liệu thời gian thì cần tuân thủ
thêm kđ DW và BG
- Các ước lượng có đáng tin cậy không: Chỉ cần nói vi phạm 1 trong các kđ trên thì sẽ
không tin cậy
- Các ước lượng không chệch ( Xét kđ ramsey nếu tuân thủ thì là không chệch còn vi
phạm thì là ul chệch mà đã chệch thì k xét đến hiệu quả). Khi tuân thủ kđ Ramsey với
mh sử dụng số liệu chéo nếu tuân thủ kđ White thì sẽ là ul hiệu quả còn với mh sử
dụng số liệu thời gian thì phải tuân thủ thêm các kđ DW và BG
Các bạn nên thuộc nguyên nhân hậu quả, cách phát hiện, 1 số khuyết tật nên học cách
khắc phục vì bài có thể thi nhé.
TỔNG HỢP LẠI NHỮNG VẤN ĐỀ THẮC MẮC CỦA SINH TIÊN
(Sau buổi hệ thống sáng nay)
Băn khoăn của sinh
viên
Gợi ý trả lời
Bình luận về việc bớt biến
khỏi MH (câu hỏi lý thuyết)
Ví dụ:
Giả sử có MH
Q=b1+b2K+b3L+b4L^2+u
Đề bài hỏi đánh giá về ý kiến
"Khi mục đích chỉ là đánh giá
tác động của K lên Q thì chỉ
cần hồi quy Q theo K mà
không cần đưa biến L, L^
vào mô hình"?
Theo thay em nen trinh bay 2 y sau:
- Khang dinh y kien tren la chua co co so. Boi vi: Ngoai K ra co rat nhieu yeu to
anh huong den Q trong do L mot trong cac yeu to quan trong thuc su co anh huong
den Q (ly thuyet ve ham san xuat trong kinh te vi mo)
- De bo bien L va L^2 ra khoi MH thi co the lam cho MH thieu bien quan trong vi: L
co the tac dong den Q va L co the co tuong quan voi K. Do do de co can cu danh
gia y kien tren ta tien hanh kiem dinh gia thuyet thong ke "Bo 2 bien L, L^2 ra khoi
MH". Cac buoc kiem dinh:
HQ MH tren --> R1^
Thu hep MH bang cach bo 2 bien ra khoi MH va HQ --> R2^
Thiet lap Fqs = ....; tra bang co gia tri toi han F
Ket luan:
Ý nghĩa của các hs trong các
MH có dạng hàm khác nhau
Có 4 dạng hàm của MH thường gặp
- MH tuyến tính: Y = a + bX + u E(Y/X) = a + bX
b = đạo hàm của E(Y/X) theo X và có ý nghĩa là X tăng lên 1 đơn vị thì
E(Y/X) (hiểu theo nghĩa là trung bình của Y) thay đổi b đơn vị
- MH loga tuyến tính: lnY = a + blnX + u E(lnY/lnX) = a + blnX (X, Y>0)
b = hệ số co giãn của E(Y/X) theo X và có ý nghĩa là X tăng lên 1 % thì
trung bình của Y thay đổi b %
- MH bán loga: lnY = a + bX + u E(lnY/X) = a + bX (Y>0)
ý nghĩa là X tăng lên 1 đơn vị thì trung bình của Y thay đổi b100(%)*
- MH bán loga: Y = a + blnX + u E(Y/lnX) = a + blnX (X>0)
ý nghĩa là X tăng lên 1 % thì trung bình của Y thay đổi b/
Giải thích ý nghĩa của MH khi
có biến bậc 2
Y = beta1 + beta2X + beta3X^
E(Y/X, Z) = beta1 + beta2X +
beta3X^2 + beta4Z
- Mục đích đưa biến bậc 2 của X vào là muốn xem xét Quy luật “lợi suất cận biên
giảm dần” có tác động lên mối quan hệ của biến X và biến Y hay không
- Giải thích ý nghĩa như sau:
- Đạo hàm bậc 1 của E(Y) theo X = beta2 + 2beta3*X: cho biết khi X tăng lên 1 đơn
vị thì trung bình của Y thay đổi (beta2 + 2beta3*X) đơn vị (giá trị thay đổi này tùy
thuộc vào giá trị của biến X)
- Đạo hàm bậc 2 của E(Y) theo X = 2beta3: Nó cho biết khi X tăng lên thì “giá trị
cận biên của E(Y) theo X” thay đổi như thế nào
Nếu mqh giữa y và X chịu sự chi phối của quy luật lợi suất cận biện giảm dần thì
2beta3<0 beta 3 <
- Ngoài ra nếu cho mô hình lnY = a + blnX + u E(lnY/lnX) = a + blnX (X, Y>0)
Nếu mqh giữa y và X chịu sự chi phối của quy luật lợi suất cận biện giảm dần thì
0<b3<1 nếu phải KĐ thì tiến hành kiểm định 2 cặp giả thuyết:
Cặp 1: H0: b = 0; H1: b>0 và cặp 2: H0:b=1; H1: b<
(chú ý nếu phải tính toán cụ thể thì các beta và b được thay bằng các giá trị ước
lượng điểm của nó lấy từ kết quả của mô hình)
Vấn đề về kỳ vọng của các hs
hồi quy
Y = beta1 + beta2X + beta3Z +
U
E(Y/X, Z) = beta1 +
beta2X+beta3Z
- Sinh viên cần dựa vào lý thuyết kinh tế hoặc hiểu biết thực tế để đưa ra kỳ vọng
về các hs hồi quy của MH. Ở đây là kỳ vọng dấu của các hs trong MH tổng thể (để
sau này đối chiếu với các giá trị ước lượng được xem có phù hợp với kỳ vọng hay
không). Một số trường hợp có thể kỳ vọng nhiều hơn là dấu. ví dụ mô hình: Chi tiêu
= a + bThu nhập + U (rõ ràng bạn sẽ kỳ vọng 0 < b<1)
- Ý nghĩa của beta1 = E(Y/X=Z=0): đây là ý nghĩa về mặt lý thuyết. Ý nghĩa thực tế
tùy thuộc vào tình huống kinh tế (nội dung của các biến Y, X, Z)
TC = beta1 + beta2Q + beta3Q^2+beta4Q^3 +U Beta1 = E(TC/Q=0) = chi phí cố
định trung bình
Chi tiêu = beta1+beta2TN + U beta1 = E(chi tiêu/TN = 0) = chi tiêu tối thiểu
………………..
Tuy nhiên: nói chung khi được hỏi ý nghĩa của các hs hồi quy thì nếu thấy beta
không có ý nghĩa thực tế thì cũng không cần kỳ vọng và cũng không cần giải thích
ý nghĩa của beta1^
Vấn đề về các khuyết tật
Không rõ khi nào thì phải viết
MH hồi quy phụ, cách làm thể
nào?
- Nếu câu hỏi: Kiểm định các khuyết tật của MH
- Nếu câu hỏi: Giá trị thống kê F-statistic hoặc Khi bình phương qs được tính từ
như thế nào, có kết luận gì về MH
B1: Nêu các bước để tính Fqs/Khi bình phương qs
Viết MH ban đầu (là MH cần kiểm định khuyết tật)
HQ MH này thu được giá trị phần dư/Y^ (tùy theo khuyết tật)
HQ mô hình phụ (tùy theo khuyết tật)
Viết công thức để tính Fqs/Khi bình phương qs
B2: Dựa vào kết quả đã có KĐ
Vấn đề dự báo trong MH hồi
quy
- Dự báo dựa trên ước lượng điểm
E(Y/X)- một giá trị dự báo)
- Dự báo dựa trên ước lượng khoảng TC
Y^-Se(Y^)T(n-k),a/2<= E(Y)<= Y^+Se(Y^)T(n-k),a/
Vấn đề là phải có Se(Y^) (cái này bài cho)
