Bài giảng Kinh tế lượng 1: Bài 6 - ThS. Nguyễn Hải Dương

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:41

Thêm vào BST

Báo xấu

66
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

"Bài giảng Kinh tế lượng 1 - Bài 6: Đánh giá các khuyết tật" với các kiến thức tiêu chí đánh giá; kiểm định dạng hàm sai – kỳ vọng sai số khác 0; kiểm định phương sai sai số thay đổi; kiểm định tính phân phối chuẩn của sai số ngẫu nhiên.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Bài giảng Kinh tế lượng 1: Bài 6 - ThS. Nguyễn Hải Dương

BÀI 6 ĐÁNH GIÁ CÁC KHUYẾT TẬT ThS. Nguyễn Hải Dương và ThS. Vũ Thị Bích Ngọc Trường Đại học Kinh tế Quốc dân v1.0015108225 1
TÌNH HUỐNG KHỞI ĐỘNG Tham khảo tình huống trong Bài giảng dạng text. 1. Mô hình 1 có bị thiếu biến số quan trọng hay không? (với bộ số liệu đang sử dụng) 2. Nếu có thêm số liệu về biến số người của hộ (SN) thì có nên đưa biến này vào mô hình 1 hay không? 3. Sai số ngẫu nhiên trong mô hình 1 có phương sai đồng đều hay không? 4. Sai số ngẫu nhiên của mô hình 1 có phân phối chuẩn hay không? Nếu không, điều này có ảnh hưởng đến các phân tích hồi quy hay không? 5. Có thể dùng các kết quả ước lượng từ mô hình 1 có đáng tin cậy để thực hiện phân tích hồi quy hay không? v1.0015108225 2
MỤC TIÊU Sau khi học xong bài này, sinh viên cần đảm bảo được các yêu cầu sau: • Nắm được các tiêu chí cơ bản đánh giá một mô hình thích hợp cho phân tích thực nghiệm. • Hiểu rõ bản chất của các khuyết tật có thể gặp phải khi sử dụng một mô hình để phân tích. • Nắm được hậu quả và cách phát hiện một số khuyết tật cơ bản của mô hình hồi quy. • Nắm được một số phương pháp khắc phục đơn giản cho các khuyết tật của mô hình. v1.0015108225 3
NỘI DUNG Tiêu chí đánh giá Kiểm định dạng hàm sai – kỳ vọng sai số khác 0 Kiểm định phương sai sai số thay đổi Kiểm định tính phân phối chuẩn của sai số ngẫu nhiên v1.0015108225 4
1. TIÊU CHÍ ĐÁNH GIÁ 1.1. Tiêu chí lựa chọn mô hình 1.2. Một số kiểu định dạng hàm sai trong nghiên cứu thực nghiệm v1.0015108225 5
1.1. TIÊU CHÍ LỰA CHỌN MÔ HÌNH (1) Độ chính xác của số liệu chấp nhận được (2) Độ vững của lý thuyết (3) Mô hình có dạng hàm được định dạng đúng (4) Tính bao quát D.F.Hendry và J.F.Richard (1983) v1.0015108225 6
1.2. MỘT SỐ KIỂU ĐỊNH DẠNG HÀM SAI TRONG NGHIÊN CỨU THỰC NGHIỆM (+) Mô hình bỏ sót biến giải thích quan trọng: Ví dụ Mô hình (1): CT  1   2TN  u1 Mô hình (2): CT   1   2TN   3 SN  u 2 Nếu dạng hàm của mô hình (2) là đúng thì: u1   3 SN  u 2 Như vậy: E (u1 TN , SN )  E[(  3 SN  u 2 ) TN , SN ]  E (  3 SN TN , SN )  E (u 2 TN , SN )  0 Mô hình (1) vi phạm giả thiết 2. v1.0015108225 7
1.2. MỘT SỐ KIỂU ĐỊNH DẠNG HÀM SAI TRONG NGHIÊN CỨU THỰC NGHIỆM (+) Mô hình chứa các biến không cần thiết: Ví dụ Mô hình: TN   1   2 KN   3TUOI  u Với các biến: TN – thu nhập của người lao động. KN – số năm kinh nghiệm làm việc trong công việc hiện tại. TUOI – tuổi đời của người lao động. Trong mô hình dễ thấy khi tuổi đời tăng lên thì số năm kinh nghiệm của người lao động cũng tăng lên  điều này dẫn tới có thông tin trùng lặp trong mô hình, người nghiên cứu có thể bỏ bớt 1 trong 2 biến giải thích của mô hình. v1.0015108225 8
1.2. MỘT SỐ KIỂU ĐỊNH DẠNG HÀM SAI TRONG NGHIÊN CỨU THỰC NGHIỆM (+) Xác định dạng hàm sai Ví dụ Mô hình (1): Q  1   2 P  u1  u Mô hình (2): Q   1P 2 e 2 Giả sử dạng hàm đúng là mô hình (2), như vậy ta cũng gặp tình huống tương tự như trường hợp mô hình bị bỏ sót biến giải thích quan trọng và dẫn tới các ước lượng bị chệch. v1.0015108225 9
1.2. MỘT SỐ KIỂU ĐỊNH DẠNG HÀM SAI TRONG NGHIÊN CỨU THỰC NGHIỆM (+) Sai số trong đo lường các biến số Nghiên cứu sự phụ thuộc của Lượng cầu hàng hóa vào giá bán hàng hóa. Trên thực tế ta cần sử dụng biến đại diện cho biến lượng cầu hàng hóa là “lượng bán của hàng hóa”. Thông thường trong trường hợp này biến đại diện là tốt. Ví dụ Mô hình: Y  1   2 X  u Tuy nhiên, biến Y và biến X trong mô hình trên phải đại diện bởi biến Y* = Y + w và biến X* = X + v. Khi đó mô hình thực tế: Y   1   2 X  (u   2 v  w) Thông thường, mức sai lệch v và w càng lớn dẫn tới sự tương quan cao giữa sai số trong mô hình thực tế và biến giải thích  giả thiết 2 bị vi phạm. v1.0015108225 10
2. KIỂM ĐỊNH DẠNG HÀM SAI – KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 2.1. Nguyên nhân 2.2. Hậu quả của kỳ vọng sai số ngẫu nhiên khác không 2.3. Phát hiện sự khác không của kỳ vọng của sai số ngẫu nhiên 2.4. Một số biện pháp khắc phục v1.0015108225 11
2.1. NGUYÊN NHÂN • Mô hình bỏ sót biến giải thích quan trọng; • Mô hình chứa các biến không cần thiết; • Xác định dạng hàm sai; • Sai số trong đo lường các biến số. v1.0015108225 12
2.2. HẬU QUẢ CỦA KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 (+) Ước lượng OLS bị chệch E ( ˆ j )   j ( j  1, k ) (+) Các suy diễn thống kê không đáng tin cậy Các bài toán suy diễn thống kê đối với mô hình hồi quy như bài toán ước lượng hoặc bài toán kiểm định đều cần ước lượng của các  j là ước lượng tốt nhất. Tuy nhiên khi các ˆ j là ước lượng chệch thì đương nhiên chúng cũng không phải là ước lượng tốt nhất. Các kết quả suy diễn thống kê nhận được đều không đáng tin cậy cho người nghiên cứu. (+) Phát sinh lượng chệch của ước lượng khi mô hình thiếu biến giải thích quan trọng Mô hình: Y  1   2 X 2   3 X 3  u1 Nếu sử dụng: Y   1   2 X 2  u 2 Khi đó: E (ˆ 2 )   2   3 bˆ2 với bˆ2 là ước lượng hệ số góc của mô hình:X 3  b1  b2 X 2  v Lượng chệch của ước lượng ˆ chính là  bˆ . Khi hệ số  và bˆ càng lớn thì lượng chệch 2 3 2 3 2 này cũng tăng lên. v1.0015108225 13
2.3. PHÁT HIỆN SỰ KHÁC 0 CỦA KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 a) Trường hợp thông tin, số liệu của biến bị thiếu đã biết: Y  1   2 . X 2  ...   k . X k  u Để kiểm tra mô hình trên có thiếu biến Z (đã có thông tin), ước lượng mô hình: Y  1   2 . X 2  ...   k . X k   k 1.Z  u Sau đó kiểm định: H 0 :  k 1  0   H 1 :  k 1  0 Chọn tiêu chuẩn kiểm định: ˆ k 1 t Se( ˆ k 1 ) Miền bác bỏ H0:  W  T : T  t( n  k 1) 2  v1.0015108225 14
2.3. PHÁT HIỆN SỰ KHÁC 0 CỦA KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 Ví dụ Xét mô hình ban đầu (tình huống dẫn nhập): CT  1   2TN  u1 Kiểm tra biến bị thiếu, biến SN, mô hình mới: CT   1   2TN   3 SN  u 2 Dependent Variable: CT Method: Least Squares Sample(adjusted): 9 100 IF CT>200 Included observations: 66 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 5.263773 9.943290 0.529379 0.5984 TN 0.582662 0.023434 24.86352 0.0000 SN 18.62580 1.252190 14.87458 0.0000 R-squared 0.918755 F-statistic 356.2169 Adjusted R-squared 0.916176 Prob(F-statistic) 0.000000 v1.0015108225 15
2.3. PHÁT HIỆN SỰ KHÁC 0 CỦA KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 b) Trường hợp thông tin, số liệu của biến bị thiếu, chưa biết Trong trường hợp này cần sử dụng thông tin của các biến đại diện cho biến bị thiếu, đưa vào mô hình xuất phát và thực hiện kiểm định theo kỹ thuật đã nêu ở phần (a). c) Mô hình xác định dạng hàm sai Sử dụng kiểm định RAMSEY Các bước tiến hành của kiểm định RAMSEY: Bước 1: (1)  Yˆ Y  1   2 . X 2  ...   k . X k  u Bước 2: Hồi quy phụ (2) Y = 1 + 2 X2+… +  k Xk +  k + 1Yˆ 2  u Bước 3: Kiểm định: H0: Mô hình ban đầu xác định đúng (không cần dạng bậc cao của các biến giải thích) H1: Mô hình ban đầu xác định sai (cần đưa các dạng bậc cao của các biến giải thích) Tiêu chuẩn kiểm định R22  R12 n  k  1 F  1  R22 1 Miền bác bỏ H0 :  W  F : F  F(1,n  k 1)  v1.0015108225 16
2.3. PHÁT HIỆN SỰ KHÁC 0 CỦA KỲ VỌNG SAI SỐ NGẪU NHIÊN KHÁC 0 Ví dụ Tiếp tục với tình huống dẫn nhập, thực hiện kiểm định RAMSEY để kiểm tra khuyết tật mô hình: CT  1   2TN  u1 có bị thiếu biến hay không. Kết quả kiểm định cho thấy: Ramsey RESET Test: F-statistic 6.646491 Probability 0.012285 Theo kết quả kiểm định, ta có Prob. của thống kê F trong kiểm định RAMSEY = 0,012285 < α = 0,05  bác bỏ H0 trong cặp giả thuyết nêu trên. Kết luận: mô hình xuất phát là xác định dạng hàm sai. v1.0015108225 17
2.4. MỘT SỐ BIỆN PHÁP KHẮC PHỤC • Do nguyên nhân gây ra hiện tượng kỳ vọng sai số khác không trong mô hình hồi quy là khác nhau nên phương pháp khắc phục cũng khác nhau cho từng tình huống. • Nếu mô hình bị thiếu biến và thông tin của biến bị thiếu đã có, ta chỉ cần đưa biến bị thiếu vào mô hình và ước lượng mô hình mới. • Nếu nguyên nhân là dạng hàm bị xác định sai, phát hiện thông qua kiểm định RAMSEY thì ta cần thay đổi dạng hàm của mô hình, chẳng hạn chuyển dạng hàm của mô hình về dạng bậc cao, dạng tuyến tính với các biến logarith,… • Nếu nguyên nhân là mô hình bị thiếu biến mà chưa có thông tin của biến bị thiếu thì có thể sử dụng các biến đại diện và đưa vào mô hình xuất phát để kiểm tra. v1.0015108225 18
3. KIỂM ĐỊNH PHƯƠNG SAI SAI SỐ THAY ĐỔI 3.1. Nguyên nhân của phương sai sai số thay đổi 3.2. Hậu quả của phương sai sai số thay đổi 3.3. Phát hiện phương sai sai số thay đổi 3.4. Khắc phục vấn đề phương sai sai số thay đổi v1.0015108225 19
3.1. NGUYÊN NHÂN CỦA PHƯƠNG SAI SAI SỐ THAY ĐỔI • Xét mô hình: ⋯ (1) • Sai số ngẫu nhiên u có phương sai thay đổi, nghĩa là tại các bộ giá trị (X2i,..., Xki) khác nhau thì phương sai của sai số ngẫu nhiên nhận các giá trị khác nhau.  var ui x2 i ,..., xki  σ i 2 • Nguyên nhân thường dẫn đến hiện tượng này là:  Bản chất của số liệu.  Mô hình thiếu biến quan trọng hoặc dạng hàm sai. v1.0015108225 20