Kinh tế lượng nâng cao - Bài giảng số 1

Chia sẻ: Nguyen Nhi | Ngày: | Loại File: PDF | Số trang:16

0
271
lượt xem
156
download

Kinh tế lượng nâng cao - Bài giảng số 1

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tài liệu tham khảo Kinh tế lượng nâng cao dùng cho sinh viên khoa toán kinh tế , Tài liệu này là bài số 1 giới thiệu về Hồi quy và biến giả

Chủ đề:
Lưu

Nội dung Text: Kinh tế lượng nâng cao - Bài giảng số 1

  1. Kinh tÕ l−îng n©ng cao BÀI 1 HỒI QUY VỚI BIẾN GIẢ 1. ĐẶT VẤN ĐỀ Trong nhiều tình huống, cùng với các biến định lượng còn có những biến định tính . Ví dụ khi nghiên cứu tiêu dùng của hộ dân cư, các biến thu nhập, giá cả, số nhân khẩu, có thể định lượng được, nhưng giới tính của chủ hộ, cấu trúc thế hệ của hộ, tôn giáo - tín ngưỡng, một chính sách của chính phủ là các biến không định lượng được. Trong nhiều trường hợp, chính mức giá trị của các biến định lượng cũng làm thay đổi quan hệ của chúng một cách cơ bản. Có thể dễ dàng nhận ra rằng, khi tiền lương tăng đến một mức nào đó thì lượng cung lao động không còn tăng mà có thể giảm, điều này đã được mô tả trong nhiều nghiên cứu về thị trường lao động. Cũng như vậy, thu nhập ở những mức khác nhau có thể tương ứng với những tỷ lệ tiết kiệm khác nhau. Nói tóm lại, trong hầu hết các quan hệ định lượng có sự can thiệp của các biến không định lượng mà ở đây ta gọi là các biến định tính. Cần có một kỹ thuật đưa các biến như vậy vào trong các mô hình, không chỉ với tư cách các biến giải thích mà còn với tư cách là các biến phụ thuộc. 2. KỸ THUẬT BIẾN GIẢ 2.1. Hồi quy với biến giải thích là biến định tính (mô hình ANOVA) a. Biến định tính có hai phạm trù. Lúc đó dùng một biến giả để thay thế cho nó. VD: Thu nhập có phụ thuộc giới tính ? Yi : thu nhập ⎧1 Nếu quan sát là Nam Di = ⎨ ⎩0 Nếu quan sát là Nữ Mô hình : Yi = β1 + β2Di + ui Thu nhập trung bình của nam E(Y/Di = 1) = β1 + β2 Thu nhập trung bình của nữ E(Y/Di = 0) = β1 Nếu β2 ≠ 0 thì TN trung bình có phụ thuộc giới tính Biến D dùng như trên gọi là biến giả (Dummy variable).
  2. Bμi 1: håi quy víi biÕn gi¶ Ví dụ: Bảng sau cho 10 quan sát về lương giáo viên phổ thông ở mức khởi điểm. ST Lương (Y: Giới D T nghìn $) 1 22 m 1 2 19 f 0 3 18 f 0 4 21,7 m 1 5 18,5 f 0 6 21 m 1 7 20,5 m 1 8 17 f 0 9 17,5 f 0 10 21,2 m 1 Biến giới: m = nam; f = nữ. Kết quả ước lượng hồi quy: Yi = 18 + 3,28Di + ei Giá trị T 3,54 4,265 Dễ dàng thấy rằng, β2 khác không, hơn thế nữa, hệ số này dương có ý nghĩa. Kết luận đầu tiên của chúng ta là: lương khởi điểm trung bình của nam cao hơn nữ. Ước lượng cụ thể về các mức này như sau: Lương khởi điểm trung bình của nữ E(Y/D=0) = β1 , ước lượng được là 18,00 (nghìn $). Lương khởi điểm trung bình của nam E(Y/D=1)= β1 + β2 , ước lượng được là 21,28 (nghìn $). → Qui tắc đặt biến giả - Biến giả chỉ nhận giá trị 0 và 1 - Cá thể nào cũng phải có giá trị - Biến giả chia tổng thể thành những thành phần riêng biệt b. Biến định tính có k phạm trù. Lúc đó dùng k-1 biến giả để thay thế cho chúng. Ví dụ: Chi phí cho văn hoá phẩm có phụ thuộc vào trình độ học vấn? Yi: Chi phí cho văn hoá phẩm. ⎧1...neu...co...trinh...do...tieu...hoc D2i = ⎨ ⎩0...neu..co..trinh...do...khac
  3. Kinh tÕ l−îng n©ng cao ⎧1...neu...co...trinh...do...trung...hoc D3i = ⎨ ⎩0...neu..co..trinh...do...khac ⎧1...neu...co...trinh...do..dai...hoc D4i = ⎨ ⎩0...neu..co..trinh...do...khac Mô hình có dạng: Yi = β1 + β2D2i + β3D3i + β4D4i + ui c. Mô hình có hai biến định tính VD : Thu nhập trung bình có khác nhau giữa thành thị và nông thôn, gữa nam và nữ ? ⎧1 Nếu là nam ⎧1 Nếu làm việc ở thành thị D2 = ⎨ D3 = ⎨ ⎩0 Nếu là nữ ⎩0 Nếu làm việc ở nông thôn E(Y/D2i, D3i) = β1 + β2D2i + β3D3i + ui Các chú ý: • Nếu mô hình có k biến giải thích là định tính với số phạm trù tương ứng là n1, n2, . . . nk thì phải dùng tổng cộng n1 + n2 + . . . + nk – k biến giả. • Biến nhận mọi giá trị bằng 0 gọi là phạm trù cơ sở dùnh để so sánh với các phạm trù khác. • Các hệ số góc riêng phần được gọi là các hệ số chênh lệch. • Việc đưa thêm các biến giải thích là định lượng vào mô hình được làm như thông lệ. • 2.2. Sự tương tác giữa các biến giả Khi sử dụng cùng một lúc nhiều biến giả có thể xảy ra sự tương tác giữa chúng. Để tính đến điều đó ta thêm vào mô hình biến tương tác. Ví dụ: Chi tiêu cho quần áo có phụ thuộc vào giới tính và tính chất công việc? Mô hình 1: Yi = β1 + β2D2i + β3D3i + β5Xi + ui Trong mô hình trên đã giả thiết giới tính và tính chất công việc không có tương tác. Mô hình 2: Yi = β1 + β2D2i + β3D3i + β4D2i*D3i + β5Xi + ui
  4. Bμi 1: håi quy víi biÕn gi¶ Kiểm định H0: β4 = 0 (không có tương tác) H1: β4 ≠ 0 (có tương tác) Lúc đó mức độ tương tác bằng β4. 2.3. Đánh giá sự tác động đối với biến định lượng Xét mô hình: E(Y/Xi) = β1 + β2Xi và biến định tính có hai phạm trù là A1 và A2. ⎧1 quan sát ∈ A 1 D= ⎨ ⎩0 quan sát ∉ A 1 a. Biến định tính tác động đến hệ số chặn E(Y/Xi, Di) = β1 + β2Di + β3Xi b. Biến định tính tác động đến hệ số góc E(Y/Xi, Di) = β1 + β2Xi + β3DiXi c. Tác động đến cả hai hệ số E(Y/Xi, Di) = β1 + β2Xi + β3Di + β4Di Xi Như vậy việc sử dụng biến giả có thể cho phép đánh giá chính sách. Ví dụ: Tệp số liệu ch4bt1 chứa các số liệu mức tiêu dùng thực tế theo đầu người(CS) và thu nhập thực tế theo đầu người của Mỹ(Y) giai đoạn 1929-1970. Trong giai đoạn này đã xảy ra thế chiến II(1941-1946) và từ 1960 Mỹ đã tham chiến tại Việt nam. Vậy chiến tranh có ảnh hưởng đến tiêu dùng của người Mỹ hay không?
  5. Kinh tÕ l−îng n©ng cao Hồi quy CS theo Y cho kết quả sau: Dependent Variable: CS Method: Least Squares Date: 11/21/08 Time: 09:13 Sample: 1929 1970 Included observations: 42 Variable Coefficie Std. Error t-Statistic Prob. nt C 58.09624 49.97286 1.162556 0.2519 Y 0.872195 0.029209 29.86016 0.0000 R-squared 0.957064 Mean dependent 1498.54 var 8 Adjusted R- 0.955991 S.D. dependent var 403.024 squared 3 S.E. of regression 84.54767 Akaike info 11.7589 criterion 6 Sum squared resid 285932.3 Schwarz criterion 11.8417 0 Log likelihood - F-statistic 891.628 244.9381 9 Durbin-Watson 0.337500 Prob(F-statistic) 0.00000 stat 0 Thêm biến giả D1=1trong thời kỳ 1941-1946 và hồi quy thu được kết quả sau: Dependent Variable: CS Method: Least Squares Date: 11/21/08 Time: 09:21 Sample: 1929 1970 Included observations: 42 Variable Coefficie Std. Error t-Statistic Prob. nt C 101.5147 25.45745 3.987621 0.0003 D1 - 18.78558 -10.90854 0.0000 204.9233 Y 0.863631 0.014718 58.67883 0.0000 R-squared 0.989402 Mean dependent 1498.54 var 8
  6. Bμi 1: håi quy víi biÕn gi¶ Adjusted R- 0.988858 S.D. dependent var 403.024 squared 3 S.E. of regression 42.54105 Akaike info 10.4075 criterion 7 Sum squared resid 70579.89 Schwarz criterion 10.5316 8 Log likelihood - F-statistic 1820.42 215.5589 4 Durbin-Watson 1.634232 Prob(F-statistic) 0.00000 stat 0 Hồi quy CS với D1 y và D1*Y cho kết quả sau: Dependent Variable: CS Method: Least Squares Date: 11/21/08 Time: 22:17 Saple: 1929 1970 Included observations: 42 Variable Coefficie Std. Error t-Statistic Prob. nt C 96.01328 21.86063 4.392063 0.0001 D1 956.9913 299.3244 3.197171 0.0028 Y 0.866943 0.012641 68.58342 0.0000 D1*Y - 0.187572 -3.887416 0.0004 0.729170 R-squared 0.992417 Mean dependent 1498.54 var 8 Adjusted R- 0.991819 S.D. dependent var 403.024 squared 3 S.E. of regression 36.45391 Akaike info 10.1203 criterion 7 Sum squared resid 50497.74 Schwarz criterion 10.2858 6 Log likelihood - F-statistic 1657.79 208.5277 6 Durbin-Watson 1.267117 Prob(F-statistic) 0.00000 stat 0 Thêm biến D2=1trong thời kỳ từ 1960 trở đi và hồi quy cho kết quả sau:
  7. Kinh tÕ l−îng n©ng cao Dependent Variable: CS Method: Least Squares Date: 11/21/08 Time: 09:29 Sample: 1929 1970 Included observations: 42 Variable Coefficie Std. Error t-Statistic Prob. nt C 132.3042 33.32473 3.970151 0.0003 D1 - 19.52647 -10.05581 0.0000 196.3546 D2 33.54774 23.83096 1.407737 0.1673 Y 0.838927 0.022787 36.81532 0.0000 R-squared 0.989927 Mean dependent 1498.54 var 8 Adjusted R- 0.989132 S.D. dependent var 403.024 squared 3 S.E. of regression 42.01552 Akaike info 10.4043 criterion 5 Sum squared resid 67081.54 Schwarz criterion 10.5698 4 Log likelihood - F-statistic 1244.82 214.4913 6 Durbin-Watson 1.639287 Prob(F-statistic) 0.00000 stat 0 2.4. Kiểm định sự thay đổi cấu trúc của mô hình. ⎧ H 0 : β 3 = β 4 = 0 Hàm hồi quy đồng nhất ⎨ ⎩H1 : β 3 + β 4 ≠ 0 Hàm hồi quy không đồng nhất 2 2 a. Kiểm định Chow Kiểm định về sự đồng nhất của hàm hồi quy Toàn bộ tổng thể Yi = β1 + β2Xi + ui Trong A1 : Yi = α1 + α2Xi + u1i Trong A2 : Yi = γ1 + γ2Xi + u2i
  8. Bμi 1: håi quy víi biÕn gi¶ ⎧H0 : [α1 = γ1 = β1] và [α2 = γ2 = Hàm hồi quy đồng nhất ⎨ ⎩H1 : β2 ] Hàm hồi quy không đồng nhất [α1 ≠ γ1] hoặc [α2 ≠ γ2] Lấy mẫu W1 kích thước n1 trong A1 hồi qui MH thu được RSS1 Lấy mẫu W2 kích thước n2 trong A2 hồi qui MH thu được RSS2 Với mẫu W = W1 ∪ W2 kích thước n1 + n2, hồi qui thu được RSS Tính RSS = RSS1 + RSS2. RSS − RSS n1 + n 2 − 2k Fqs = × RSS k Nếu Fqs > Fα (k ; n1 + n2 – 2k) : bác bỏ H0 b. Dùng biến giả để kiểm định sự thay đổi cấu trúc. Với mẫu W = W1 ∪ W2 kích thước n1 + n2 hồi quy mô hình: Yi = β1 + β2Di + β3Xi + β4Di Xi + ui Và kiểm định thu hẹp hàm hồi quy với giả thuyết H0: β2 = β4 = 0. Ví dụ: Cho số liệu trong bảng dưới đây về tiết kiệm S và thu nhập Y (đầu người) ở Vương quốc Anh trong giai đoạn 1946 - 1963 (triệu pao). Người ta cho rằng, thời kỳ khôi phục kinh tế sau thế chiến thứ hai 1946 - 1954 và thời kỳ sau đó, hành vi tiết kiệm từ thu nhập khác nhau. Hãy kiểm tra ý kiến này với mức ý nghĩa 5% bằng kiểm định Chow và bằng thủ tục biến giả. Năm Tiết kiệm Thu nhập Năm Tiết Thu kiệm nhập 1946 0.36 8.8 1955 0.59 15.5 1947 0.21 9.4 1956 0.9 16.7 1948 0.08 10.0 1957 0.95 17.7 1949 0.2 10.6 1958 0.82 18.6 1950 0.1 11.0 1959 1.04 19.7 1951 0.12 11.9 1960 1.53 21.1
  9. Kinh tÕ l−îng n©ng cao 1952 0.41 12.7 1961 1.94 22.8 1953 0.50 13.5 1962 1.75 23.9 1954 0.43 14.3 1963 1.99 25.2 Kiểm định Chow cho kết quả sau: Chow Breakpoint Test: 1955 F-statistic 5.037060 0.022493 Probability Log likelihood 9.757442 0.007607 ratio Probability Dùng biến giả thu được kết quả sau: Dependent Variable: TK Method: Least Squares Date: 11/21/08 Time: 09:51 Sample: 1946 1963 Included observations: 18 Variable Coefficie Std. Error t-Statistic Prob. nt C - 0.331888 -5.273377 0.0001 1.750172 D1 1.483923 0.470362 3.154852 0.0070 TN 0.150450 0.016286 9.238172 0.0000 D1*TN - 0.033260 -3.109471 0.0077 0.103422 R-squared 0.952626 Mean dependent 0.77333 var 3 Adjusted R- 0.942475 S.D. dependent var 0.64280 squared 6 S.E. of regression 0.154173 Akaike info - criterion 0.70835 1 Sum squared resid 0.332771 Schwarz criterion - 0.51049 0 Log likelihood 10.37516 F-statistic 93.8410
  10. Bμi 1: håi quy víi biÕn gi¶ 9 Durbin-Watson 1.468099 Prob(F-statistic) 0.00000 stat 0 Kiểm định F về thu hẹp hồi quy: Wald Test: Equation: Untitled Null C(2)=0 Hypothesis: C(4)=0 F-statistic 5.03706 Probability 0.02249 0 3 Chi-square 10.0741 Probability 0.00649 2 3 VÍ DỤ: XU HƯỚNG DÀI HẠN TRONG TỶ GIÁ MẬU DỊCH Một trong những vấn đề được nhiều người quan tâm trong các tài liệu về kinh tế của các nước đang phát triển là vấn đề tỷ giá mậu dịch giữa các nước sản xuất nguyên liệu và các nước sản xuất hàng hoá công nghiệp. Hầu như phổ biến các nước bán sản phẩm thô hay nguyên liệu là các nước nghèo hay kém phát triển còn những nước bán hàng hoá là sản phẩm chế biến là các nước giàu. Một trong các quan điểm kinh tế phổ biến là tỷ giá mậu dịch có khả năng dịch chuyển liên tục ngược lại đối với các nước bán sản phẩm thô. Quan điểm này dựa trên lý thuyết về sự phụ thuộc theo đó, người ta gọi các nước sản xuất công nghiệp là các trung tâm còn các nước khác là các nước ngoại vi. Hay theo quan điểm của trường phái tân cổ điển thì có một sự khác biệt rất lớn về tính co giãn của cung và cầu trong hai loại hàng hoá như vậy. Để trả lời cho câu hỏi có hay không sự chuyển dịch ngược của tỷ giá mậu dịch trước tiên, ta nhắc lại một vài khái niệm liên quan giữa khối lượng trao đổi mậu dịch NBTT (hàng đổi hàng) với giá xuất khẩu Px và giá nhập khẩu PM . PX Ta có : NBTT = PM Biểu thức trên đo lường khối lượng xuất khẩu đảm bảo tài chính cho khối lượng nhập khẩu. Tỷ số này tăng cho thấy một xu hướng tốt; tỷ lệ này giảm cho thấy một tác động (sự di chuyển) ngược đối với quốc gia tương ứng. Thu nhập từ trao đổi mậu dịch của một quốc gia (YTT) đo bằng tỷ lệ Q X PX giữa tích của khối lượng xuất khẩu QX với giá xuất khẩu và giá nhập khẩu: YTT = . PM YTT có thể dùng để đo sức mua của xuất khẩu. Rõ ràng là có thể tăng thu nhập từ trao đổi
  11. Kinh tÕ l−îng n©ng cao mậu dịch dù cho có sự biến động ngược lại của NBTT; chẳng hạn, có thể tăng khối lượng hàng hoá xuất khẩu nhanh hơn tốc độ giảm giá của đơn vị hàng hoá. Giả thiết Prebisch-Singer chỉ liên quan đến sự thay đổi của NBTT với hai yếu tố giá sản phẩm thô và giá hàng hoá công nghiệp. Để kiểm tra giả thiết có sự biến động NBTT ngược chiều đối với các sản phẩm thô, ta cần các số liệu về NBTT theo thời gian và tiến hành hồi quy mô hình, trong đó, NBTT thay đổi theo thời gian. Vấn đề quan tâm là phải chăng dấu hiệu suy giảm của tỷ giá mậu dịch như là một dấu hiệu của sự biến đổi ngược lại trong tỷ giá mậu dịch của các nước phát triển, nó tạo khả năng các nước giàu tự mình mở rộng sản xuất các sản phẩm thô còn các nước đang phát triển tăng cường xuất khẩu các sản phẩm công nghiệp. Kiểm định giả thiết về sự suy thoái của tỷ giá mậu dịch có thể thực hiện nhờ hồi quy sau đây: lnNBTTt = b1 + b2T với T là thời gian. Đây là một mô hình nửa logarit và b2 thể hiện sự thay đổi của NBTT theo thời gian. Spaor đã dùng một số hồi quy với các dãy số liệu theo thời gian và thời kỳ khác nhau. Chúng ta có thể nghiên cứu hai kết quả hồi quy trên cơ sở số liệu của những năm 1900 - 1938 và 1900 - 1970 như sau: Thời kỳ 1900 - 1938: lnNBTTt = 4.572 - 0,00725 T R2 = 0.37 Se (0,00188) T (3,86) Thời kỳ 1900 - 1970: lnNBTTt = 4.438 - 0.00134T R2 = 0.33 Se (0.00096) T (1.39) Theo kết quả trên, có thể kết luận rằng, thời kỳ 1900 - 1938 có sự suy giảm của NBTT (mỗi năm khoảng - 0.7%) và hệ số b2 khác không có ý nghĩa. Tuy nhiên, nếu xét trong cả thời kỳ dài 1900 - 1970 thì b2 khác không không có ý nghĩa hay không có sự suy giảm tỷ giá mậu dịch trong thời kỳ dài. Bây giờ ta xem xét kết quả của Sapsford (1985), trong đó ông ta chỉ xem thời kỳ sau chiến tranh được xác định từ 1950 trở đi và chia tệp số liệu trên thành hai thời kỳ 1900 - 1938 và 1950 - 1970 (xem như có sự bất bình thường trong những năm 1939 - 1949). Tiến hành các hồi quy và kiểm định Chow, ta nhận được các kết quả sau: Thời kỳ 1900 - 1970: lnNBTTt = 4,438 - 0,00134T RSSN =1,245 Thời kỳ 1900 - 1938: lnNBTTt = 4,572 - 0,00725T RSSn1 = 0,5172 Thời kỳ 1950 - 1970: lnNBTTt = 5,523 - 0,01540T RSSn2 = 0,0087
  12. Bμi 1: håi quy víi biÕn gi¶ Thống kê F : (1,2459 − (0,5172 + 0,0087))/2 F = = 33,5 (0,5172 + 0,0087)/49 Tra bảng F(2,49) mức 5% ta có giá trị xấp xỉ 3.2. Vì giá trị quan sát của F lớn hơn giá trị tới hạn mức 5%, ta kết luận rằng có sự suy giảm của tỷ giá mậu dịch qua hai thời kỳ. Nếu sử dụng biến giả D để kiểm tra giả thiết nói trên, ta có thể xét hồi quy sau: lnNBTT t = b1 + b2T + b3Dt , Với D=1 từ 1950 về sau và D=0 ở các năm khác. Ước lượng nhận được là: lnNBTT t = 4,594 - 0,00836T + 0,5003Dt R2 = 0,56 Se (độ lệch tiêu chuẩn) (0,00142) (0,0649) Kết luận gì từ kết quả này? 2.5. Dùng biến giả để phân tích biến động mùa vụ ( season) Xét mô hình: Yi = β1 + β2Xi + ui Nếu có sự biến động mùa vụ, chẳng hạn theo quý thì dùng 3 biến giả để đặc trưng cho chúng: ⎧1...neu...la...quy...2 D2 = ⎨ ⎩0...neu...la...quy...khac ⎧1...neu...la...quy...3 D3 = ⎨ ⎩0...neu...la...quy...khac ⎧1...neu...la...quy...4 D4 = ⎨ ⎩0...neu...la...quy...khac Ta có mô hình: Yt = β1 + β2D2t + β3D3t + β4D4t + β5Xt + ut Ví dụ: Có số liệu sau về tổng lợi nhuận và tổng doanh số của ngành công nghiệp chế biến Mỹ từ quý1-1965 đến quý 4-1970: Năm và quý Lợi nhuận(tr. USD) Doanh số(tr. USD) 1965-1 10503 114862
  13. Kinh tÕ l−îng n©ng cao 1965-2 12092 123968 1965-3 10834 121454 1965-4 12201 131917 1966-1 12245 129911 1966-2 14001 140976 1966-3 12213 137828 1966-4 12820 145465 1967-1 11349 136989 1967-2 12615 145126 1967-3 11014 141536 1967-4 12730 151776 1968-1 12539 148862 1968-2 14849 158913 1968-3 13203 155727 1968-4 14947 168409 1969-1 14151 162781 1969-2 15949 176057 1969-3 14024 172419 1969-4 14315 183327 1970-1 12381 170415 1970-2 13991 181313 1970-3 12174 176712 1970-4 10985 180370 a. Hãy hồi quy lợi nhuận với doanh số và cho nhận xét. b. Vẽ đồ thị của lợi nhuận và doanh số theo thời gian và cho nhận xét. c. Từ đó hãy tìm cách hoàn thiện mô hình. Hồi quy lợi nhuận theo doanh số: Dependent Variable: LN Method: Least Squares Date: 11/21/08 Time: 22:28 Sample: 1965:1 1970:4 Included observations: 24 Variable Coefficie Std. Error t-Statistic Prob. nt
  14. Bμi 1: håi quy víi biÕn gi¶ C 6597.974 1840.287 3.585296 0.0016 DS 0.040954 0.011972 3.420714 0.0024 R-squared 0.347206 Mean dependent 12838.5 var 4 Adjusted R- 0.317533 S.D. dependent var 1433.28 squared 4 S.E. of regression 1184.058 Akaike info 17.0709 criterion 4 Sum squared resid 3084385 Schwarz criterion 17.1691 8 1 Log likelihood - F-statistic 11.7012 202.8513 8 Durbin-Watson 1.116103 Prob(F-statistic) 0.00244 stat 7 Thêm các biến mùa vụ D2, D3, D4 thu được kết quả: Dependent Variable: LN Method: Least Squares Date: 11/21/08 Time: 10:23 Sample(adjusted): 1965:3 1970:4 Included observations: 22 after adjusting endpoints Variable Coefficie Std. Error t-Statistic Prob. nt C 7450.805 2091.104 3.563097 0.0024 D4 1734.704 688.4851 2.519595 0.0220 D3 325.9880 676.4989 0.481875 0.6360 D2 461.8268 656.8974 0.703043 0.4915 DS 0.031752 0.013520 2.348538 0.0312 R-squared 0.480284 Mean dependent 12978.6 var 4 Adjusted R- 0.357998 S.D. dependent var 1393.95 squared 2 S.E. of regression 1116.904 Akaike info 17.0712 criterion 2 Sum squared resid 2120706 Schwarz criterion 17.3191 0 9 Log likelihood - F-statistic 3.92754 182.7835 8 Durbin-Watson 0.440938 Prob(F-statistic) 0.01950 stat 2 2.6. Hồi qui tuyến tớnh từng khỳc Hàm hồi quy tuyến tính gấp khúc tại đIểm X = Xt0
  15. Kinh tÕ l−îng n©ng cao ⎧1 : X ≥ X t 0 D= ⎨ ⎩0 : X < X t 0 E(Y/Xt, Dt) = β1 + β2Xt + β3( Xt – Xt0)Dt Nếu có nhiều hơn một điểm gấp khúc thì cũng tiến hành tương tự. 2.7. CÁC GIẢ THIẾT CỦA OLS TRONG HỒI QUY VỚI BIẾN GIẢ a. Phương sai của các sai số Ui không đồng đều Chẳng hạn trong ví dụ về tiết kiệm ở Anh Quốc. Nếu hồi quy không có biến giả thì mọi thủ tục phát hiện, khắc phục hiện tượng vi phạm giả thiết này đã được trình bày ở các bài trước. Vấn đề chỉ đặt ra khi phương sai của các sai số ở hai thời kỳ khác nhau. Những kiểm định chỉ áp đặt trên từng hồi quy là hoàn toàn tin cậy được, nếu các giả thiết khác được thoả mãn. Với hồi quy có biến giả, rõ ràng là các kiểm định và ước lượng sẽ không giữ được tính chính xác và mức tin cậy mà chúng ta đã đặt ra, thậm chí cả những kiểm định cốt lõi trong các hồi quy này, đó là các kiểm định đặt trên các hệ số của biến giả cũng có thể mất ý nghĩa. Việc khắc phục hiện tượng này cần tiến hành trên tệp số liệu của các biến định tính trước khi sử dụng biến giả để phân tích hồi quy . b. Các sai số Ui , Uj phụ thuộc tương quan tuyến tính (hiện tượng tự tương quan) Giả thiết không có tự tương quan trong các sai số ngẫu nhiên Ut có thể không thoả mãn như trong các hồi quy không có biến giả. Trong trường hợp hồi quy không có biến giả, chúng ta đã biết cách khắc phục hiện tượng này, Trong hồi quy có biến giả, có một vài điểm cần vận dụng sửa đổi do đặc điểm của biến giả là biến chỉ nhận hai giá trị 0 và 1. Giả sử mô hình hồi quy tiết kiệm và thu nhập ở Anh đã nói ở trên gặp hiện tượng tự tương quan cấp 1 (AR(1)). Để khắc phục hiện tượng này cần ước lượng hệ số tự tương quan trong hàm Ut = ρUt-1 + εt . Khi đã có ước lượng của ρ, ta sử dụng phương trình sai phân tổng quát ước lượng các tham số trong mô hình này và từ đó suy ra ước lượng của các tham số ban đầu. Các phép đổi biến được tiến hành như sau: 1. Với biến D, các giá trị trong thời kỳ đầu (1946-1954) nhận giá trị 0; giá trị ứng với quan sát đầu tiên của thời kỳ sau (1955-1963) nhận giá trị 1/(1- ρ), các giá trị ứng với các quan sát sau đó nhận giá trị 1.
  16. Bμi 1: håi quy víi biÕn gi¶ 2. Các giá trị quan sát của biến Yt biến đổi theo công thức (Yt -ρYt-1). 3. Các giá trị DtYt nhận giá trị 0 trong các quan sát ở thời kỳ đầu; giá trị đầu tiên trong thời kỳ sau DtYt=Yt còn các giá trị quan sát sau đó (DtYt -Dt-1Yt-1) nhận giá trị (Yt -ρYt-1). 4. Các giá trị quan sát của S, thực hiện biến đổi như với hồi quy thông thường.
Đồng bộ tài khoản