Bài giảng Kinh tế lượng: Chương 8 - Bùi Huy Khôi

Chia sẻ: Thangnamvoiva22 Thangnamvoiva22 | Ngày: | Loại File: PDF | Số trang:4

Thêm vào BST

Báo xấu

59
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng "Kinh tế lượng - Chương 8: Chọn mô hình và kiểm định chọn mô hình" cung cấp cho người học các kiến thức: chọn mô hình - Các sai lầm khi chọn mô hình, cách tiếp cận để lựa chọn mô hình, kiểm định việc chọn mô hình. 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 8 - Bùi Huy Khôi

09/09/2014 CHƯƠNG 8 CHỌN MÔ HÌNH CHỌN MÔ HÌNH VÀ K IỂM ĐỊNH CHỌN MÔ HÌNH HÌ MỤ C TIÊU 1. Bi ế t c á ch ti ế p c ậ n đ ể lựa chọn mô hình 2. Biết cách kiểm định việc chọn mô hình 2 NỘI DUNG 1 Chọn mô hình- Các sai lầm khi chọn mô hình 2 Cách tiếp cận để lựa chọn mô hình 3 Kiểm định việc chọn mô hình 4 1. Chọn mô hình •Tiết kiệm •Tính đồng nhất •Tính thích hợp: Mô hình có R2 càng cao càng thích hợp •Tính bền vững về mặt lý thuyết: mô hình phải phù hợp với lý thuyết nền tảng •Khả năng dự báo cao 3 2. Các sai lầm khi chọn mô hình- Hậu quả 1. Bỏ sót biến thích hợp i.Cácthamsốướclượngsẽbịchệchvà khôngvững. i.Khoảngtincậyvàcáckiểmđịnhkhôngchính xác. i.Dựbáodựatrênmôhìnhsaisẽkhôngđáng tincậy. 5 4 2. Các sai lầm khi chọn mô hình- Hậu quả 2. Đưa vào mô hình những biến không phù hợp Cácướclượngkhônghiệuquả,khoảngtin cậyrộng. 6 1 09/09/2014 2. Các sai lầm khi chọn mô hình- Hậu quả 3. Lựa chọn mô hình không chính xác i.Ướclượngchệchcáchệsốhồiquy,dấu củahệsốhồiquycóthểsai. i.Cóíthệsốhồiquyướclượngđượccó ýnghĩathốngkê i.R2 khôngcao iv.Phầndưcácquansátlớnvàbiểuthị sựbiếnthiêncótínhhệthống. 7 3. Cách tiếp cận để lưa chọn mô hình 1.Xác định số biến độc lập Từđơngiảnđếntổngquát Từtổngquátđếnđơngiản 2. Kiểm định mô hình có vi phạm giả thiết Nếu mô hình vi phạm thì cần có biện pháp khắc phục. 3. Chọn dạng hàm, dựa vào Các lý thuyết kinh tế Các kết quả nghiên cứu thực nghiệm 4. Sử dụng các tiêu chuẩn thông dụng để chọn mô hình 9 a. Kiểm định Wald Xây dựng giả thiết để kiểm định đk ràng buộc H0: βm =… β k = 0 H1: có ít nhất một βj khác 0 B1: Hồi quy mô hình (U) có k tham số, tính RSSU có n-k bậc tự do B2: Hồi quy mô hình (R) có m tham số, tính RSSR có n-m bậc tự do B3: Tính F F= ( R 2 U − R 2 R ) /( k − m) ( RSS R − RSS U ) / k − m) = RSS U /( n − k) (1 R 2 U ) /( n − k) − 11 Ví dụ �Về hàm chi phí của doanh nghiệp, dạng hàm đúng Yi =b1 +b2Xi +b3Xi 2 +b4Xi 3 +u1i �Bỏsótbiếnquantrọng (Xi ) 3 Yi =a1 +a2Xi +a3Xi 2 +u2i �Đưabiếnkhôngliênquanvàomôhình(Xi ) Yi =l1 +l2Xi +l3Xi 2 +l4Xi 3 +l5Xi 4 + u3i �Dạng hàm sai lnY=g1 +g2Xi +g3Xi 2 +g4Xi 3 +u4i 4 8 4. Kiểm định việc chọn mô hình a. Kiểm định thừa biến (kiểm định Wald) Xét hai mô hình: (U) : Y = β 1 + β 2 X2 + ... β m −1 X m + β mX m + β k Xk + U + −1 ( R ) : Y = β 1 + β 2 X2 + ... β m −1 Xm −1 + V + (U): mô hình không bị ràng buộc (R): mô hình bị ràng buộc Điều kiện ràng buộc: các hệ số hồi quy của các biến Xm , Xm+1 , Xk đồng thời bằng 0 10 a. Kiểm định Wald B4: Tra bảng F với mức ý nghĩa α có giá trị Fα (k-m, n-k) Quy tắc quyết định •Nếu F≥ Fα (k-m, n-k): bác bỏ H0, tức mô hình (U) không thừa biến •Nếu F< Fα (k-m, n-k): chấp nhận H0 Nếudùngkếtquảp-valuethìquytắc quyếtđịnhnhưsau: •Nếu p ≤ α : Bác bỏ H0 •Nếu p > : Chấp nhận H0 α 12 2 09/09/2014 b. Kiểm định bỏ sót biến giải thích b. Kiểm định bỏ sót biến giải thích Dùng kiểm định Reset của Ramsey: Bước1: Dùng OLS để ước lượng mô hình Yi = β1 + β2X2i + ui Từ đó tính Yˆ và R2old i Bước2: dùng OLS để ước lượng mô hình Yi = β1 + β2 2i 2 + β3Yˆ + β 4 ˆ Y 3 + ... + vi Bước3: Tính 2 ( Rnew − old2 ) m 2R (1 − new ) (n − k ) số quan sát R F= n: k: m: số tham số trong mô hình mới số biến đưa thêm vào Tính X Kiểm định giả thiết H0: β3 = β4 =… = βk = 0 R2new 13 14 c. Kiểm định giả thiết phân phối chuẩn của ui b. Kiểm định bỏ sót biến giải thích Bước4: Quy tắc quyết định •Nếu F > Fα(m,n-k): Bác bỏ H0, tức các hệ số mô hình cũ β3,β4,…βk không đồng thời bằng 0, đã bỏ sót biến •Nếu F < Fα(m,n-k): Chấp nhận H0 Nếudùngkếtquảp-valuethìquytắcquyếtđịnh nhưsau: • Nếu p ≤ α : Bác bỏ H0 •Nếu p > α: Chấp nhận H0 Dùng kiểm định χ2, hay kiểm định Jarque-Bera Kiểm định giả thiết H0: ui có phân phối chuẩn S 2 ( K −3) 2⎤ JB = n ⎡ ⎢ 6 + 24 ⎥ ⎣ ⎦ S = ∑ (u − u) i n .SE3 u 3 K= ∑ (u − u) i 4 n .SE 4 u Nếu JB > χ2, Bác bỏ H0, ngược lại, chấp nhận H0 16 15 5.Tiêu chuẩn lựa chọn mô hình Tiêu chuẩn R2 � R2 đo lường % biến động của Y được giải thích bởi các Xi trong mô hình. �R2, �R2 điều chỉnh, � R2 càng gần 1, mô hình càng phù hợp. �Giá trị của hàm hợp lý log-likelihood (L), �Tiêu chuẩn thông tin Akaike (AIC), �Tiêu chuẩn thông tin Schwarz (SIC) �Lưu ý: �R2 chỉ đo lường sự phù hợp trong mẫu � Khi so R2 giữa các mô hình khác nhau, sánh biến phụ thuộc phải giống nhau. các �R2 không giảm khi tăng thêm biến độc lập. 17 18 3 09/09/2014 Tiêu chuẩn R2 điều chỉnh (⎺R2) Giá trị của hàm hợp lý log-likelihood (L) RSS/(n −k ) n 1 = 1 − (1 − 2 − R2 = 1 R TSS /(n−1) ) n− k − 1 n n L = − ln σ 2 − ln( 2π) − ∑ U2i 2 2 2 �⎺R2 ≤ R2.⎺R2 chỉ tăng khi giá trị tuyệt đối của giá trị t của biến được thêm vào mô hình lớn hơn 1. �R2 là tiêu chuẩn tốt hơn R2. �Giá trị L càng lớn chứng tỏ mô hình càng phù hợp �Các biến phụ thuộc cũng phải giống nhau. 19 Tiêu chuẩn thông tin Akaike (AIC) ⎛RSS ⎞ 2k/ AIC = ⎜ ⎟.e ⎝ n n hay ⎛2k ⎛RSS ⎞ ln ln AIC = ⎜ ⎟+ ⎠ ⎞ ⎠ n ⎟ n ⎝ ⎠ ⎜ ⎝ �Trong đó k là số biến được ước lượng (gồm cả hệ số tự do) và n là cỡ mẫu. �Giá trị AIC càng nhỏ chứng tỏ mô hình càng phù hợp. 21 20 Tiêu chuẩn thông tin Schwarz (SC) ⎛RSS ⎞ k/ SC = ⎜ ⎟.n ⎝ n n hay ln SC = ⎠ ⎛RSS ⎞ k ln n+ ⎜ ⎟ n ⎝ n ⎠ �SC khắt khe hơn AIC. �SC càng nhỏ, mô hình càng tốt. 22 4