Bài giảng Kinh tế lượng - Chương 9: Chọn mô hình và kiểm định chọn mô hình (2019)

Chia sẻ: Minh Hoa | Ngày: | Loại File: PPT | Số trang:40

Thêm vào BST

Báo xấu

56
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài giảng "Kinh tế lượng - Chương 9: 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.

Chủ đề:

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

Lưu

Nội dung Text: Bài giảng Kinh tế lượng - Chương 9: Chọn mô hình và kiểm định chọn mô hình (2019)

CHƯƠNG 9 CHỌN MÔ HÌNH VÀ KIỂM ĐỊNH CHỌN MÔ HÌNH
CHỌN MÔ HÌNH 1. Biết cách tiếp cận để lựa chọn mô hình MỤC TIÊU 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 3
Chọn mô hình và kiểm định chọn mô hình 1. Chọn mô hình - Tiết kiệm: Mô hình đơn giản nhưng phải chứa các biến chủ yếu ảnh hưởng đến biến phụ thuộc nhằm giải thích bản chất của vấn đề nghiên cứu. - Tính đồng nhất: Với một tập dữ liệu đã cho, các tham số ước lượng phải duy nhất. 2 -Tính thích hợp (R2): Mô hình có R2 ( hoặc R càng gần 1 được coi 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 4
2. Các sai lầm khi chọn mô hình Hậu quả •Bỏ sót biến thích hợp: dẫn đến một số hậu quả như i.Các tham số ước lượng sẽ bị chệch và không vững. ii.Khoảng tin cậy và các kiểm định không chính xác. iii.Dự báo dựa trên mô hình sai sẽ không đáng tin cậy. 5
2. Các sai lầm khi chọn mô hình Hậu quả •Đưa vào mô hình những biến không phù hợp: các ước lượng thu được từ mô hình thừa biến không hiệu quả, khoảng tin cậy rộng. 6
2. Các sai lầm khi chọn mô hình Hậu quả •Lựa chọn mô hình không chính xác: i.Ước lượng chệch các hệ số hồi quy, thậm chí dấu của hệ số hồi quy có thể sai. ii.Có ít hệ số hồi quy ước lượng được có ý nghĩa thống kê iii.R2 không cao iv.Phần dư các quan sát lớn và biểu thị sự biến thiên có tính hệ thống. 7
Ví dụ • Về hàm chi phí của doanh nghiệp, dạng hàm đúng Yi = b1 + b2Xi + b3Xi2 + b4Xi3 + u1i • Bỏ sót biến quan trọng (Xi3): Yi = a1 + a2Xi + a3Xi2 + u2i • Đưa biến không liên quan vào mô hình (Xi4): Yi = l1 + l2Xi + l3Xi2 + l4Xi3 + l5Xi4 + u3i • Dạng hàm sai. lnY = g1 + g2Xi + g3Xi2 + g4Xi3 + u4i 8
Cách tiếp cận để lưa chọn mô hình 1. Xác định số biến độc lập: có hai hướng tiếp cận: Từ đơn giản đến tổng quát: bổ sung biến độc lập từ từ vào mô hình Từ tổng quát đến đơn giản: Xét mô hình hồi quy có đầy đủ các biến độc lập đã được xác định, sau đó loại trừ những biến không quan trọng ra khỏi mô hình 2. Kiểm định mô hình có vi phạm giả thiết như đa cộng tuyến, phương sai thay đổi, tự tương quan. 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
Kiểm định việc chọn mô hình a. Kiểm định thừa biến (kiểm định Wald) Xét hai mô hình: (U ) : Y 1 2 X 2 ... m 1 Xm 1 m Xm k Xk U ( R) : Y 1 2 X 2 ... m 1 Xm 1 V (U): mô hình không bị ràng buộc (Unrestricted model) (R): mô hình bị ràng buộc (Restricted model). Điều kiện ràng buộc là các hệ số hồi quy của các biến Xm , Xm+1 , Xk đồng thời bằng 0 10
a. Kiểm định Wald Xây dựng giả thiết để kiểm định đk ràng buộc Ho : m ... k 0 H1: có ít nhất một j 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 ( RSSR RSSU ) /( k m) ( R 2U R 2 R ) /( k m) F 2 RSSU /( n k ) (1 R U ) /( n k ) 11
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 Ho, tức mô hình (U) không thừa biến. Nếu dùng kết quả p-value thì quy tắc quyết định như sau: •Nếu p ≤ : Bác bỏ H0 •Nếu p > : Chấp nhận H0 12
b. Kiểm định bỏ sót biến giải thích Để kiểm định các biến giải thích bỏ sót, ta dùng kiểm định Reset của Ramsey, gồm các bước: Bước 1: Dùng OLS để ước lượng mô hình Yi = 1 + 2X2i + ui Từ đó ta tính Yˆi và R2old Bước 2: dùng OLS để ước lượng mô hình Yi X 2i ˆ 2 ˆ 3 1 2 3Y 4Y ... vi Tính R2new Kiểm định giả thiết H0: 3 = 4 =… = k =0 13
b. Kiểm định bỏ sót biến giải thích Bước 3: Tính 2 2 (R R ) m F 2 new old (1 Rnew ) (n k ) n: số quan sát, k: số tham số trong mô hình mới; m: số biến đưa thêm vào. Bước 4: Nếu F > F (m,n-k): Bác bỏ H0, tức các hệ số 3, 4,… k không đồng thời bằng 0, mô hình cũ đã bỏ sót biến. Nếu dùng kết quả p-value thì quy tắc quyết định như sau: Nếu p ≤ : Bác bỏ H0 Nếu p > : Chấp nhận H0 14
c. Kiểm định giả thiết phân phối chuẩn của ui Để kiểm định phân phối chuẩn của Ui, ta dùng kiểm định χ2, hay kiểm định Jarque-Bera: Kiểm định giả thiết H0: ui có phân phối chuẩn 2 2 S (K 3) JB n 6 24 (ui u )3 (ui u )4 S 3 K 4 n.SE u n.SE u Nếu JB > χ2, Bác bỏ H0, ngược lại, chấp nhận H0 15
Tiêu chuẩn lựa chọn mô hình • R2, • R2 điều chỉnh, • Giá trị của hàm hợp lý loglikelihood (L), • Tiêu chuẩn thông tin Akaike (AIC), • Tiêu chuẩn thông tin Schwarz (SIC) 16
Tiêu chuẩn R 2 • R2 đo lường % biến động của Y được giải thích bởi các Xi trong mô hình. • R2 càng gần 1, mô hình càng phù hợp. • Lưu ý: – Nó chỉ đo lường sự phù hợp “trong mẫu” – Khi so sánh R2 giữa các mô hình khác nhau, các biến phụ thuộc phải giống nhau. – R2 không giảm khi tăng thêm biến độc lập. 17
Tiêu chuẩn R2 điều chỉnh ( R2) 2 RSS /( n k ) 2 n 1 R 1 1 (1 R ) TSS /( n 1) n k • Ta thấy R2 R2. R2 chỉ tăng khi giá trị tuyệt đối của giá trị t của biến được thêm vào mô hình lớn hơn 1. • Do vậy, R2 là tiêu chuẩn tốt hơn R2. • Lưu ý, các biến phụ thuộc cũng phải giống nhau. 18
Giá trị của hàm hợp lý loglikelihood (L) n 2 n 1 L ln ln(2 ) U i2 2 2 2 • Giá trị L càng lớn chứng tỏ mô hình càng phù hợp 19
Tiêu chuẩn thông tin Akaike (AIC) RSS 2 k / n AIC .e n hay 2k RSS ln AIC ln 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. 20