KINH TẾ LƯỢNG CHƯƠNG 8 - TỰ TƯƠNG QUAN – CHỌN MÔ HÌNH – THẨM ĐỊNH VIỆC CHỌN MÔ HÌNH

Chia sẻ: Tran Vu Thanh Thanh | Ngày: | Loại File: PPT | Số trang:19

Thêm vào BST

Báo xấu

375
lượt xem 77
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

8.1.1. Bản chất và nguyên nhân của tự tương quan Trong mô hình hồi quy tuyến tính cổ điển chúng ta giả định không có tương quan giữa các phần dư hay Cov(uiuj) = 0 với mọi i, j. ÞCov(ui,uj) ≠ 0: tự tương quan

Chủ đề:

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

Lưu

Nội dung Text: KINH TẾ LƯỢNG CHƯƠNG 8 - TỰ TƯƠNG QUAN – CHỌN MÔ HÌNH – THẨM ĐỊNH VIỆC CHỌN MÔ HÌNH

KINH TẾ LƯỢNG CHƯƠNG VIII TỰ TƯƠNG QUAN – CHỌN MÔ HÌNH – THẨM ĐỊNH VIỆC CHỌN MÔ HÌNH 1
8.1. Tự tương quan (tương quan chuỗi) 8.1.1. Bản chất và nguyên nhân của tự tương quan Trong mô hình hồi quy tuyến tính cổ điển chúng ta giả định không có tương quan giữa các phần dư hay Cov(uiuj) = 0 với mọi i, j. ⇒Cov(ui,uj) ≠ 0: tự tương quan 2
ui ui t t 3
* Nguyên nhân khách quan: - Chuỗi có tính chất quán tính theo chu kỳ - Hiện tượng mạng nhện: dãy số cung về café năm nay phụ thuộc vào giá năm trước => ui không còn ngẫu nhiên nữa. - Dãy số có tính chất trễ: tiêu dùng ở thời kỳ này chẳng những phụ thuộc vào thu nhập kỳ này mà còn phụ thuộc vào tiêu dùng của kỳ trước nữa. * Nguyên nhân chủ quan - Chọn dạng mô hình sai (thường xảy ra ở mô hình với chi phí biên) - Đưa thiếu biến giải thích vào mô hình 4 - Việc xử lý số liệu.(số liệu tháng = số liệu quý/3)
8.1.2. Hậu quả của tự tương quan Nếu vẫn áp dụng OLS khi mô hình có hiện tượng tự tương quan thì sẽ có các hậu quả sau: - Các ước lượng không chệch nhưng đó là không phải là các hiệu quả vì đó không phải là các ước lượng có phương sai nhỏ nhất. - Phương sai của các ước lượng là các ước lượng chệch vì vậy các kiểm định t và F không còn hiệu ˆ2 δ quả. là ước lượng chệch của δ2 - - R2 của mẫu là ước lượng chệch (dưới) của R2 tổng thể 5 - Các dự báo về Y không chính xác
8.1.3. Cách phát hiện tự tương quan a. Đồ thị Chúng ta có thể phát hiện hiện tượng tự tương quan bằng cách quan sát đồ thị phần dư của mô hình trên dữ liệu chuỗi thời gian. et t phần dư phân bố một cách ngẫu nhiên xung quanh 6 giá trị trung bình của nó.
b. Dùng kiểm định d của Durbin – Watson Thống kê d của Durbin – Watson được định nghĩa ∑ (ei − ei −1 ) 2 như sau: d= ∑ ei 2 d ≈ 2(1-ρ) Khi n đủ lớn thì ∑ee i i −1 ρ= trong đó: ∑e 2 i do -1 ≤ ρ ≤ 1, nên khi: ρ = -1 => d = 4: tự tương quan hoàn hảo âm ρ = 0 => d = 2: không có tự tương quan 7 ρ = 1 => d = 0: tự tương quan hoàn hảo dương
Giả thiết H0 Quyết định Nếu Không có tự tương quan Bác bỏ 0 < d < dL dương Không có tự tương quan Không quyết dL ≤ d ≤ dU dương định Không có tự tương quan Bác bỏ 4-dL < d < 4 âm Không có tự tương quan Không quyết 4-dU ≤ d ≤ 4-dL định âm Không có tự tương quan Không bác dU < d < 4-dL âm hoặc dương bỏ Trong đó dU và dL là các giá trị tra bảng giá trị d. 8
* Chú ý: trong thực tế khi tiến hành kiểm định Durbin – Watson, người ta thường áp dụng quy tắc kiểm định đơn giản sau: Nếu 1 < d < 3 thì kết luận mô hình không có tự tương quan. Nếu 0 < d < 1 thì kết luận mô hình có tự tương quan dương. Nếu 3 < d < 4 thì kết luận mô hình có tự tương quan âm. 9
Nếu d thuộc vùng chưa quyết định, chúng ta sẽ sử dụng quy tắc kiểm định cải biên như sau: 1. H0: ρ = 0; H1: ρ > 0. Nếu d < dU thì bác bỏ H0 và chấp nhận H1 (với mức ý nghĩa α), nghĩa là có tự tương quan dương. 2. H0: ρ = 0; H1: ρ < 0. Nếu d > 4 - dU thì bác bỏ H0 và chấp nhận H1 (với mức ý nghĩa α), nghĩa là có tự tương quan âm. 3. H0: ρ = 0; H1: ρ ≠ 0. Nếu d 4 - dU thì bác bỏ H0 và chấp nhận H1 (với mức ý nghĩa 2α), nghĩa là có tự tương quan (âm hoặc dương). 10
c. Dùng kiểm định Breusch – Godfrey (BG) Xét mô hình: Yt = β1 + β2Xt + ut (8.1) ut = ρ1ut-1 + ρ2ut-2 + … + ρput-p + vt ta cần kiểm định giả thiết H0: ρ1 = ρ2 = … = ρρ = 0, có nghĩa là không tồn tại tự tương quan ở bất kỳ bậc nào trong số từ bậc 1 đến bậc p. Bước 1: Ước lượng (8.1) bằng OLS, tìm phần dư et Bước 2: Dùng OLS để ước lượng mô hình et = β1 + β2Xt + ρ1et-1 + ρ2et-2 + … + ρpet-p + εt từ đây ta thu được R2. 11
Bước 3: với n đủ lớn, (n-p)R2 có phân phối xấp xỉ χ2(p). - Nếu (n-p)R2 > χ2α(p): Bác bỏ H0, nghĩa là có tự tương quan ít nhất ở một bậc nào đó. - Nếu (n-p)R2 ≤ χ2α(p): Chấp nhận H0, nghĩa là không có tự tương quan. 12
8.1.4. Cách khắc phục Phương pháp Durbin – Watson 2 bước để ước lượng ρ Ước lượng mô hình Yt = β1 + β2Xt + ut Phương trình sai phân dạng tổng quát Yt = β1(1-ρ)+ β2Xt - ρβ2Xt-1 + ρYt-1 + ut- ρut-1 Bước 1: Coi đây là phương trình hồi quy bội, hồi quy Yt theo Xt, Xt-1 và Yt-1, và coi giá trị ước lượng được đối với hệ số hồi quy c= ρ )Yt-1 ˆ ( ủa là ước lượng của ρ. Mặc dù là ước lượng chệch nhưng ta có ước lượng vững của ρ. Bước * : Sau khi cóρ , hãy biến đổi X t = X t − ρ X t −1 * ˆ 2 vYt = Yt − ρ Yt −1 và ước lượng phương trình à 13
8.2. Chọn mô hình và kiểm định việc chọn mô hình 8.2.1. Chọn mô hình - Tiết kiệm - Tính đồng nhất - Tính thích hợp (R2) - Tính bền vững về mặt lý thuyết - Khả năng dự báo cao 8.2.2. Các sai lầm khi chọn mô hình - Bỏ sót biến thích hợp - Đưa vào mô hình những biến không phù hợp - Lựa chọn mô hình không chính xác 14
8.2.3. Kiểm định việc chọn mô hình a. Kiểm định sai lầm khi đưa các biến không cần thiết vào mô hình (kiểm định Wald) Xét mô hình: Yi = β1 + β2X2i + β3X3i + β4X4i + ui Tiến hành kiểm định giả thiết H0: β4 = 0. Khi đó ta dùng kiểm định Wald. 15
Kiểm định Wald. Xét các mô hình: (U) Yi = β1 + β2X2i + …+ βmXmi + βm+1X(m+1)i + … + βkXki + ui (R) Yi = β1 + β2X2i + …+ βmXmi + vi (U) là MH không giới hạn và (R) là mô hình giới hạn. Kiểm định giả thiết H0: βm+1 = … = βk = 0 Bước 1: Ước lượng (U) và (R), từ đó tính được RSSU và RSSR thay vàoRSS thức: ) (k − m) công − RSS ( FC = R U RSSU (n − k ) Bước 2: Với mức ý nghĩa α, tìm Fα(k-m,n-k) 16 Bước 3: Nếu F > F (k-m,n-k): Bác bỏ H , tức là (U)
b. Kiểm định việc bỏ sót biến giải thích trong mô hình Để kiểm định các biến bỏ sót, ta dùng kiểm định Reset của Ramsey, gồm các bước: Bước 1: Dùng OLS để ước lượng mô hình Yi = β1 + β2X2i + ui ˆ Từ đó ta tính Yi và R2old Bước 2: dùng OLS để ước lượng mô hình ˆ 2 + β Y 3 + ... + v ˆ Yi = β1 + β 2 X 2i + β 3Y 4 i Tính R2new Kiểm định giả thiết H0: β3 = β4 =… = β1k7 = 0
(R − R ) m 2 2 Bước 3: Tính F = new old (1 − Rnew ) (n − k ) 2 n: số quan sát, k: số tham số trong mô hình mới; m: số biến đưa thêm vào. Bước 4: Nếu F > Fα(m,n-k): Bác bỏ H0, tức các hệ số β3,β4,…βk không đồng thời bằng 0, mô hình cũ đã bỏ sót biến. Ví dụ 8.2. Sử dụng số liệu 8.1 để tiến hành việc kiểm định 18
8.3. 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  S 2 ( K − 3) 2  JB = n  +  6 24  ∑ ∑ (ui − u ) 3 (ui − u ) 4 S= K= 3 4 n.SE n.SE u u Nếu JB > χ2(2), Bác bỏ H0, ngược lại, ch9ấp nhận H0 1