Bài giảng Kinh tế lượng: Chương 7 - Nguyễn Phương

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

2
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng "Kinh tế lượng - Chương 7: Lựa chọn mô hình" cung cấp cho người đọc các nội dung: Các thuộc tính của mô hình tốt, cách tiếp cận để lựa chọn mô hình, các chỉ tiêu đánh giá độ chính xác của mô hình dự báo, phát hiện những sai lầm và kiểm định. Mời các bạn cùng tham khảo nội dung chi tiết.

Chủ đề:

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

Lưu

Nội dung Text: Bài giảng Kinh tế lượng: Chương 7 - Nguyễn Phương

Chương 7:LỰA CHỌN MÔ HÌNH Nguyễn Phương Đại học Ngân hàng TPHCM Email: nguyenphuong0122@gmail.com Ngày 4 tháng 7 năm 2024
NỘI DUNG 1 Các thuộc tính của mô hình tốt 2 Cách tiếp cận để lựa chọn mô hình 3 Các chỉ tiêu đánh giá độ chính xác của mô hình dự báo 4 Phát hiện những sai lầm và kiểm định 2
Các thuộc tính của mô hình tốt Các thuộc tính của mô hình tốt 1 Tiết kiệm: mô hình là sự biểu diễn đơn giản của thực tại khách quan −→ mô hình càng đơn giản càng tốt. 2 Tính đồng nhất: với một tập hợp dữ liệu đã cho, các tham số ước lượng phải duy nhất. 3 Tính thích hợp: mô hình càng thích hợp thì việc phân tích càng chính xác. 4 Tính bền vững về mặt lý thuyết: trong việc xây dựng mô hình, phải có một cơ sở lý thuyết nào đó −→ nếu không sẽ dễ dẫn đến kết quả sai. 5 Có khả năng dự báo tốt: mô hình được chọn sao cho khi dùng để dự báo sẽ cho những kết quả sát với thực tế. 3
Cách tiếp cận để lựa chọn mô hình Cách tiếp cận để lựa chọn mô hình 1 Xác định số biến độc lập: từ đơn giản đến tổng quát, từ tổng quát đến đơn giản. 2 Chọn dạng hàm Để chọn dạng hàm, ta cần dựa vào: ➤ Các lý thuyết kinh tế. ➤ Các nghiên cứu thực nghiệm. ➤ Đồ thị biểu diễn sự biến thiên của dãy các số liệu quan sát. ➤ Phân tích về bản chất của mối quan hệ giữa các biến kinh tế. 3 Sử dụng các tiêu chuẩn thông dụng để chọn mô hình ➤ Giá trị của hàm hợp lý log-likelihood (L): L = − n ln σ2 − n ln(2π) − 1 u2 2 2 2 i Giá trị của L càng lớn thì mô hình càng phù hợp. ➤ Tiêu chuẩn AIC (Akaike info criterion): AIC = RSS .e2k/n n Giá trị của AIC càng nhỏ thì mô hình càng phù hợp. ➤ Tiêu chuẩn Schwarz (Scharz criterion): SC = RSS .nk/n n Giá trị của SC càng nhỏ thì mô hình càng phù hợp. 4 Kiểm tra mô hình có vi phạm các giả thiết hay không. 4
Các chỉ tiêu đánh giá độ chính xác của mô hình dự báo Giả sử mẫu kiểm tra gồm các quan sát ứng với t = S, S + 1, . . . , S + h Các chỉ tiêu đánh giá ➤ Trung bình của sai số bình phương (Mean Squared Error) S+h 1 MSE = e2 t h t=S+1 ➤ Căn bậc hai của trung bình sai số bình phương (Root Mean Squared Error) √ RMSE = MSE ➤ Trung bình của sai số tuyệt đối (Mean Absolute Error) S+h 1 MAE = |et | h t=S+1 ➤ Trung bình của phần trăm sai số tuyệt đối (Mean Absolute Percentage Error) S+h 1 |et | MAPE = h t=S+1 Yt
Phát hiện những sai lầm và kiểm định Phát hiện những sai lầm và kiểm định ➤ Bỏ sót biến thích hợp. ➤ Đưa vào mô hình những biến không thích hợp. ➤ Chọn dạng hàm không đúng. 6