Giải pháp lựa chọn mô hình hồi quy đơn biến

Tạp chí Khoa học - Công nghệ Thủy sản<br /> <br /> Số 2/2015<br /> <br /> VAÁN ÑEÀ TRAO ÑOÅI<br /> <br /> GIẢI PHÁP LỰA CHỌN MÔ HÌNH HỒI QUY ĐƠN BIẾN<br /> SOLUTION FOR SELECTING UNIVARIATE REGRESSION MODEL<br /> Phạm Văn Thông1<br /> Ngày nhận bài: 27/8/2014; Ngày phản biện thông qua: 27/11/2014; Ngày duyệt đăng: 10/6/2015<br /> <br /> TÓM TẮT<br /> Trong nhiều nghiên cứu, các nhà khoa học đã thực hiện phân tích hồi quy đơn biến để xem xét sự phụ thuộc của một<br /> biến (biến phụ thuộc) vào một biến khác (biến giải thích) để ước lượng hay dự đoán giá trị trung bình của biến phụ thuộc<br /> trên cơ sở giá trị biết trước của các biến giải thích. Đây là việc làm thường xuyên của các nhà khoa học, tuy nhiên họ chưa<br /> đưa ra những căn cứ khoa học lựa cho việc lựa chọn mô hình của mình. Tác giả đã tìm hiểu và giới thiệu 11 dạng mô hình<br /> hồi quy đơn biến, đồng thời cung cấp những cơ sở khoa học giúp các nhà khoa học, học viên lựa chọn mô hình hồi quy đơn<br /> biến phù hợp nhất cho nghiên cứu của mình.<br /> Từ khóa: Hồi quy đơn biến<br /> <br /> ABSTRACT<br /> In many studies, scientists have conducted univariate regression analyses to examine the dependence of a variable (a<br /> dependent variable) on another variable (an explanatory variable). Then they can estimate or predict the average value of<br /> dependent variables basing on known-value of the explanatory variables. Scientists have carried out in this way frequently;<br /> however, they have not shown scientific foundations of their univariate regression models. The author have studied and<br /> introduced 11 types of univariate regression models, and provided scientific foundations in order to help scientists and<br /> students choose the best univariate regression models in their researches .<br /> Keyword: Univariate Regression<br /> I. MỞ ĐẦU<br /> Hồi quy đơn biến là mô hình thống kê được sử dụng<br /> để dự đoán giá trị của biến phụ thuộc (dependence<br /> variable) hay còn gọi là biến kết quả dựa vào những<br /> giá trị của một biến độc lập (independence variable)<br /> hay còn gọi là biến nguyên nhân.<br /> Hiện nay, các nhà nghiên cứu, các học viên cao<br /> học… thường hồi quy theo mô hình đường thẳng<br /> (linear) mà chưa đưa ra được cơ sở lý luận khoa<br /> học để giải thích vì sao chọn mô hình đường thẳng<br /> hay bất kỳ dạng mô hình nào khác. Một số khác đưa<br /> ra dẫn chứng chưa thuyết phục như dạng mô hình<br /> này đơn giản, dễ tính toán.<br /> Bài báo này cung cấp cho các nhà nghiên cứu,<br /> các học viên cao học và độc giả nói chung cơ sở lý<br /> luận khoa học đúng đắn giải thích cho việc lựa mô<br /> hình hồi quy của mình.<br /> <br /> 1<br /> <br /> II. NỘI DUNG<br /> 1. Phân tích các dạng mô hình<br /> Với sự phát triển mạnh mẽ của công nghệ<br /> thông tin, việc hồi quy không cần nhiều thời gian<br /> tính toán như trước mà nó được trợ giúp bởi rất<br /> nhiều phần mềm từ đơn giản như Microsoft Excel<br /> đến phần mềm PASW Statistics 18 hay phần mềm<br /> R, phần mềm Eview, phần mềm Stata… Tuy nhiên<br /> trong bài báo này tôi muốn đề cập một số khía cạnh<br /> của hai phần mềm đơn giản và thông dụng hiện nay<br /> là Microsoft Excel 2010 và PASW Statistics 18.<br /> - Microsoft Excel 2010 là công cụ phổ thông,<br /> đơn giản trong tính toán, có hỗ trợ hồi quy đơn biến,<br /> tuy nhiên số lượng mô hình mà Excel 2010 đưa ra ít<br /> (chỉ 6 dạng mô hình). Khi hồi quy từ Excel 2010, kết<br /> quả chỏ có phương trình hồi quy với hệ số tương<br /> quan giữa biến độc lập và biến phụ thuộc mà chưa<br /> cung cấp được các chỉ số để đánh giá mô hình<br /> <br /> ThS. Phạm Văn Thông: Viện Khoa học và Công nghệ khai thác thủy sản - Trường Đại học Nha Trang<br /> <br /> 194 • TRƯỜNG ĐẠI HỌC NHA TRANG<br /> <br /> Tạp chí Khoa học - Công nghệ Thủy sản<br /> <br /> Số 2/2015<br /> 9. Logistic: Y = 1 / (1/u + (b0 * (b1X)) hoặc ln(1/y-1/u)=<br /> ln (b0) + (ln(b1)*X). u là giá trị giới hạn trên, nó mang<br /> giá trị dương và lớn hơn giá trị lớn nhất của biến<br /> phụ thuộc. Ví dụ giá trị lớn nhất của biến phụ thuộc<br /> là 100 thì u chọn là 101 (u=101).<br /> 10. Growth: Y = e(b0 + (b1 * X)) hoặc ln(Y) = b0 + (b1 * X)<br /> 11. Exponential: Y = b0 * (e(b1 * X)) hoặc ln(Y) = ln(b0) + (b1 * X)<br /> Chú giải: b0 là các hằng số; b1 là hệ số hồi quy<br /> được; X là biến độc lập; Y là biến phụ thuộc.<br /> Tiêu chí đánh giá [1,2]:<br /> - Tham số R bình phương hiệu chỉnh (adjusted<br /> R square) cho biết mức độ % sự biến thiên của biến<br /> phụ thuộc được giải thích bởi biến độc lập. R bình<br /> phương hiệu chỉnh càng cao càng tốt vì biến độc lập<br /> giải thích được nhiều cho biến phụ thuộc.<br /> - Giá trị Sig (P-value) của bảng anova dùng để<br /> đánh giá sự phù hợp (tồn tại) của mô hình. Giá trị<br /> Sig nhỏ (thường