thực hành bằng Eviews

NEU_HD thực hành bằng Eviews

Hng dn s dng Eviews thc hành Kinh t lng I HC KINH T QUC DÂN KHOA TOÁN KINH T - B MÔN TOÁN KINH T _________________________________ KINH T LNG – PHN 2 HNG DN THC HÀNH BNG PHN MM EVIEWS BÙI DNG HI Yêu cu: Eviews4, DATA, DATA2, DATA3, DATA4, DATA0810 www.mfe.edu.vn, mc Th vin / D liu – phn mm. ; Vi ca s Series View Spreadsheet S liu Graph  th Descriptive Statistic Các thng kê đc trng Correlogram Lc đ t tng quan Unit Root Test Kim đnh nghim đn v Procs Seasonal Adjustment Hiu chnh yu t thi v Moving Average Method Hiu chnh theo trung bình trt Exponential Smoothing San m đn, kép, Holt-Winters Hodrick-Prescott Filter Lc chui Vi ca s Equation View Representations Các cách th hin khác nhau Estimation Output Bng kt qu đy đ Actual, Fitted, Residual Các thông tin v phn d Gradients and Derivatives Các thông tin v Gradient và o bin Covarian Matrix Ma trn Hip phng sai các c lng Coefficient Test Các kim đnh v h s Residual tests Các kim đnh v phn d Correlogram – Q-statistic Lc đ t tng quan ca phn d Histogram – Normality test  th, kim đnh tính phân phi chun Serial Correlation LM test Kim đnh t tng quan theo B-G White Heterokedasticity Kim đnh phng sai sai s thay đi Stability test Các kim đnh v dng hàm Chow breakpoint test Kim đnh tính đng nht gia hai đon Chow forecast test Kim đnh đánh giá d báo Ramsey RESET test Kim đnh đnh dng hàm theo Ramsey Procs Specify/Estimate nh dng phng trình, mu, phng pháp Forecast t tên chui c lng, đánh giá d báo Make residual series t tên chui phn d Bùi Dng Hi – Khoa Toán kinh t – HKTQD 1 Hng dn s dng Eviews thc hành Kinh t lng 1. MÔ HÌNH CÓ BIN TR S dng b s liu DATA_ANNUAL trong th mc DATA3. 1.1. Mô hình có tr phân phi Thc hin các hi quy LS EX C GDP LS EX C GDP(-1) LS EX C GDP(-2) LS EX C GDP GDP(-1) GDP(-2) [?] Nhn xét v kt qu, so sánh gia các trng hp. 1.2. Mô hình t hi quy Mô hình: 01tC t t EX GDP EX u t β βλ − =+ + + á LS EX C GDP EX(-1) [?] Phân tích kt qu vi 3 cách phân tích: (1) Mô hình tr vô hn vi gi thit Koyck, (2) Mô hình kì vng thích nghi, (3) Mô hình hiu chnh b phn. Vi mi mô hình hãy vit li các phng trình gc và phng trình c lng. 1.3. Tr đa thc Almon Xét mô hình tr bc 6: 6 0 tC j tj j t E XGDP ββ − = =+ + ∑ u Vi gi thit h s tr có dng đa thc bc 2: 2 01 2j j j βαα α =+ + Thay vào s đc 00 11 22tC t t t EX Z Z Z u t β ααα =+ + + + vi () 6 0 i it t j j Z j GDP − = = ∑ á LS EX C PDL(GDP,6,2) c kt qu: 012 ˆˆˆ 0.115 0.007 0.033 α αα =− = = 0123456 ˆˆˆ ˆ ˆ ˆˆ 0.164 0.004 0.089 0.115 0.075 0.032 0.206 βββ β β ββ = = =− =− =− = = [?] Thc hin vi mô hình tr bc 8, đa thc Almon bc 2, và gii thích ý ngha kt qu? [?] Thc hin vi mô hình tr bc 8, đa thc Amon bc 3, và gii thích kt qu? 1.4. Kim đnh nhân qu Granger Kim đnh tính nhân qu gia EX và GDP: Trong dài hn GDP có thc s tác đng đn EX, và EX có thc s tác đng đn GDP hay không? á Chn EX và GDP thành Group, m ca s Group á [Group] View > Granger Causality … Chn bc ca tr bt đu t 1 [?] Vit li mô hình tng ng vi kt qu, hai bin có quan h nhân qu không? [?] Tng bc ca tr lên. Ti mc tr nào EX không còn là nguyên nhân ca GDP, GDP không còn là nguyên nhân ca EX? ______________________________________________ Bùi Dng Hi – Khoa Toán kinh t – HKTQD 2 Hng dn s dng Eviews thc hành Kinh t lng 2. HI QUY H PHNG TRÌNH S dng b s liu DATA_ANNUAL trong th mc DATA3. 2.1. H phng trình đng thi Mô hình gm hai phng trình 12 3 1 12 3 4 2 [2.1] [2.2] tttt ttttt EX GDP IM u GDP EX G I u αα α ββ β β =+ + + ⎧ ⎨ =+ + + + ⎩ [?] c lng hai phng trình bng LS thông thng và lu li kt qu đ so sánh á LS EX C GDP IM á LS GDP C EX G I Các bin ni sinh: EX, GDP; các bin ngoi sinh: C, IM, G, I [?] nh dng hai phng trình trong h bng điu kin Hng và điu kin Th bc. 2.2. Khai báo h phng trình Có nhiu cách đ hi quy mt h phng trình, đt tên h đó là EX_GDP á Cách 1: Ca s lnh: SYSTEM EX_GDP Cách 2: [Workfile] Objects > New Object > System Cách 3: [Eview] Object > New Object > System ö Ca s [System] và biu tng ca h ( EX_GDP ) trong Workfile. Trong ca s [System], khai báo các bin công c và các phng trình. Lu ý bin công c bao gm c h s chn, và các h s ca phng trình kí hiu là C, á INST C IM G I EX = C(11) + C(12)*GDP + C(13)*IM GDP = C(21) + C(22)*EX + C(23)*G + C(24)*I á [System] Estimate ö Ca s [System Estimation] á Nu chn OLS: kt qu ging nh hi quy riêng hai phng trình Nu chn 2SLS: kt qu c lng bng phng pháp bình phng nh nht hai bc Nu chn 3SLS: kt qu c lng bng phng pháp bình phng nh nht ba bc  thay đi các phng trình chn [System] View > Specification hoc [System] Spec Xem ma trn hip phng sai: [System] View > Coefficient Covarian Matrix Kim đnh v các h s: [System] View > Wald Coefficient Test [?] Thêm vào phng trình [2.1] bin G, và c lng li h phng trình. [?] Không thêm bin G vào [2.1], mà thay vào đó là bin EX t–1 , khi đó xác đnh li bin công c và c lng h phng trình. ________________________________________ 3. MÔ HÌNH CÓ BIN PH THUC LÀ NH TÍNH Bùi Dng Hi – Khoa Toán kinh t – HKTQD 3 Hng dn s dng Eviews thc hành Kinh t lng S dng b s liu BINARY_CAR trong th mc DATA4 Vi YD là thu nhp kh dng cá nhân, GEN là gii tính, CONS là chi cho tiêu dùng, CAR th hin s hu ôtô riêng. 3.1. Mô hình LPM Mô hình i () 12 Pr 1/ ( / ) iii p CAR YD E CAR YD YD ββ === =+ [7.1] á LS CAR C YD [?] c lng kh nng có ôtô riêng khi thu nhp là 120? Xem giá tr c lng: [Equation] View > Actual, Fitted, Residuals Lu giá tr c lng: [Equation] Forecast > tên là: CF á GENR W = (CF*(1 – CF)))^0.5 á LS CAR/W 1/W YD/W [?] Vi kt qu mi, c lng kh nng có ôtô riêng khi thu nhp là 120? [?] Xét mô hình ( ) 12 Pr 1/ ln i CAR YD YD ββ ==+ i , gii thích ý ngha, và c lng mô hình? 3.2. Mô hình Logit Mô hình ()() 12 12 12 exp( ) Pr 1/ 1 exp( ) i ii i i YD p CAR YD Logit YD YD β β ββ ββ + === += ++ á Logit CAR C YD (Hoc [Eviews] Quick > Estimate Equation > [Equation Specification] Method : Binary > Logit) Dependent Variable: CAR Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 40 Convergence achieved after 4 iterations Variable Coefficient Std. Error z-Statistic Prob. C -5.986968 1.941467 -3.083734 0.0020 YD 0.052696 0.017302 3.045689 0.0023 Mean dependent var 0.450000 S.D. dependent var 0.503831 LR statistic (1 df) 13.34465 McFadden R-squared 0.242405 Probability(LR stat) 0.000259 [?] Vit li mô hình c lng và phân tích ý ngha kt qu? c lng kh nng có ô tô riêng khi thu nhp là 120? c lng mc thay đi khi thu nhp tng thêm 1 đn v? [?] c lng và gii thích ý ngha mô hình: Logit CAR C GEN [?] c lng và gii thích ý ngha mô hình: Logit CAR C YD GEN GEN*YD ; khi đó c lng chênh lch kh nng có ôtô ca nam và n khi thu nhp là 120? 3.3. Mô hình Probit Mô hình () ( ) ( ) 12 12 Pr 1/ ii ii p CAR YD Tobit YD YD ββ ββ === +=Φ+ á Probit CAR C YD (Hoc [Eviews] Quick > Estimate Equation > [Equation Specification] Method : Binary > Probit) Bùi Dng Hi – Khoa Toán kinh t – HKTQD 4 Hng dn s dng Eviews thc hành Kinh t lng Dependent Variable: CAR Method: ML - Binary Probit (Quadratic hill climbing) Included observations: 40 Convergence achieved after 3 iterations Variable Coefficient Std. Error z-Statistic Prob. C -3.455582 1.020164 -3.387279 0.0007 YD 0.030425 0.009115 3.337726 0.0008 Mean dependent var 0.450000 S.D. dependent var 0.503831 LR statistic (1 df) 13.09888 McFadden R-squared 0.237940 Probability(LR stat) 0.000295 [?] Vit li mô hình c lng và phân tích ý ngha kt qu? c lng kh nng có ô tô riêng khi thu nhp là 120? c lng mc thay đi khi thu nhp tng thêm 1 đn v? [?] c lng và gii thích ý ngha mô hình: Probit CAR C YD GEN GEN*YD ; khi đó c lng chênh lch kh nng có ôtô ca nam và n khi thu nhp là 120? [?] c lng và gii thích ý ngha mô hình: Probit CAR C 1/YD ________________________________________ 4. LÀM TRN VÀ NGOI SUY CHUI THI GIAN S dng b s liu VN_Quaterly trong th mc DATA4. Phân tích cho chui GDP 4.1. Ngoi suy gin đn Hi quy GDP theo bin thi gian, đt bin xu th thi gian, bt đu t 0 vi quan sát đu tiên á Genr T = @trend() Hi quy xu th thi gian tuyn tính á LS GDP C T Lu li chui c lng vi tên GDP1. Xem các tiêu chí đánh giá d báo á [Equation] Forecast > t tên, xem RMSE, MAE, MAPE [?] D báo giá tr ca GDP trong 1 nm tip theo? [?] Hi quy các mô hình ngoi suy sau, so sánh đánh giá, và d báo cho 1 nm tip theo 12 ln tt GDP t u β β =+ + 12 ln t tu t GDP e ββ + + = 12 t u t GDP e t e ββ = 4.2. Trung bình trt (MA) Hàm trung bình trt: @movav(X,3) = (2) (1) 3 X XX − +−+ Do đó, đ tính trung bình trt trung tâm 3 thi k ca GDP: 11 3 tt GDP GDP GDP t − + + + á Genr GDP_MA3 = @movav(GDP(+1),3) [?] t chui GDP_MA9 là trung bình trt trung tâm 9 thi k ca GDP, so sánh trên đ th các chui GDP, GDPMA3, GDP_MA9, so sánh trung bình, ti đa, ti thiu, đ lch chun ca các chui. Bùi Dng Hi – Khoa Toán kinh t – HKTQD 5 Hng dn s dng Eviews thc hành Kinh t lng 4.3. San m (Exponential Smoothing) Mô hình san m đn , 11 SE GDP GDP= 1 (1 ) SE SE tt GDP GDP GDP αα t − =+− á Chn GDP, m ca s Series. á [Series] Procs > Exponential Smoothing á [Exponential Smoothing] > Single, và đt tên chui là GDP_ESS (trong ô Smoothed series) Sample: 1990:1 2008:4 Included observations: 76 Method: Single Exponential Forecast Series: GDP_ESS Parameters: Alpha 0.3120 Sum of Squared Residuals 1.03E+10 Root Mean Squared Error 11647.74 End of Period Levels: Mean 126704.1 Mô hình san m kép 1 (1 ) D ESE tt GDP GDP GDP αα DE t − =+− á [Exponential Smoothing] > Double, và đt tên chui là GDP_ESD Method: Double Exponential Forecast Series: GDP_SED Parameters: Alpha 0.0800 Sum of Squared Residuals 7.69E+09 Root Mean Squared Error 10060.49 End of Period Levels: Mean 124898.5 Trend 1685.333 [?] Vi kt qu san m kép, vit công thc d báo, và d báo GDP trong nm sau? 4.4. Hiu chnh yu t mùa v Có hai mô hình: theo dng Nhân và theo dng Cng á Chn GDP, m ca s Series. á [Series] Procs > Seasonal Adjustment > Moving Average Method Mô hình dng Nhân: á [Seasonal Adjustment] Ratio to moving average – Multiplicative t tên chui sau khi hiu chnh là GDP_SAM Ratio to Moving Average Adjusted Series: GDP_SAM Scaling Factors: 1 0.834067 2 1.093575 3 0.976339 4 1.122923 Mô hình dng Cng: á [Seasonal Adjustment] Difference from moving average – Additive, đt tên chui là GDP_SAD Difference from Moving Average Adjusted Series: GDP_SAD Scaling Factors: 1 -12361.31 2 5603.803 3 -1644.939 4 8402.446 [?] So sánh chui GDP, GDP_SAM, GDP_SAD và nhn xét v s hiu chnh mùa v. Bùi Dng Hi – Khoa Toán kinh t – HKTQD 6 Hng dn s dng Eviews thc hành Kinh t lng [?] Vi chui GDP_SAM, hi quy theo xu th thi gian, so sánh vi kt qu trong phn 4.1; t kt qu hi quy và các h s hiu chnh mùa v, d báo cho nm tip theo. 4.5. San m Holt-Winters á Chn GDP, m ca s Series. Holt-Winters có xu th, không có tính mùa v á [Series] Procs > Exponential Smoothing á [Exponential Smoothing] Holt-Winters – No seasonal, đt tên chui là GDP_HN Method: Holt-Winters No Seasonal Forecast Series: GDP_HN Parameters: Alpha 0.0300 Beta 0.8001 Sum of Squared Residuals 6.72E+09 Root Mean Squared Error 9401.643 End of Period Levels: Mean 126136.5 Trend 2971.115 Holt-Winters có xu th, có mùa v, dng Cng á [Exponential Smoothing] Holt-Winters – Additive , đt tên chui là GDP_HA Method: Holt-Winters Additive Seasonal Forecast Series: GDP_HA Parameters: Alpha 0.1800 Beta 0.4799 Gamma 1.0000 Sum of Squared Residuals 3.02E+08 Root Mean Squared Error 1994.939 End of Period Levels: Mean 126761.2 Trend 2052.432 Seasonals: 2008:1 -24705.60 2008:2 5717.984 2008:3 -290.4307 2008:4 19278.05 Holt-Winters có xu th, có mùa v, dng Nhân á [Exponential Smoothing] Holt-Winters – Mutiplicative , đt tên chui là GDP_HM Method: Holt-Winters Multiplicative Seasonal Original Series: GDP Forecast Series: GDP_HM Parameters: Alpha 0.3101 Beta 0.6000 Gamma 1.0000 Sum of Squared Residuals 63598622 Root Mean Squared Error 914.7808 End of Period Levels: Mean 125568.7 Trend 1665.087 Seasonals: 2008:1 0.790690 2008:2 1.047565 2008:3 1.000662 2008:4 1.161083 [?] Vi ba mô hình trên, hãy d báo giá tr ca GDP trong nm tip theo. [?] So sánh tt c các kt qu d báo tính theo các mô hình Bùi Dng Hi – Khoa Toán kinh t – HKTQD 7 Hng dn s dng Eviews thc hành Kinh t lng 5. QUÁ TRÌNH NGU NHIÊN VÀ TÍNH DNG 5.1. To mt s quá trình ngu nhiên  nhn bit hình thc và tính cht các chui thi gian – quá trình ngu nhiên, t to ra mt s chui thi gian, gm 100 thi k. á [Eviews] New > Workfile  [Workfile Range] Undatet or Irregular > End observation: 100  thun tin v sau, khi to chui xu th thi gian, và các chui t X1 đn X9, t Y1 đn Y4 nhn giá tr bng 0 á Genr T = @trend() á Genr X1 = 0 … Genr X9 = 0 Genr Y1 = 0 … Genr Y4 = 0 To ra mt s quá trình ngu nhiên (ln lt theo th t) và xem đ th đ so sánh Quá trình Câu lnh Nhiu trng (to 2 chui đ có s khác bit) Genr W1 = NRND Genr W2 = NRND Bc ngu nhiên Smpl 2 100 X1 = X1(-1) + W1 Bc ngu nhiên có hng s X2 = 0.3 + X2(-1) + W1 X3 = – 0.2 + X3(-1) + W2 T hi quy bc 1 dng X4 = 0.5*X4(-1) + W1 T hi quy bc 1 dng có h s chn X5 = 3 + 0.5*X5(-1) + W1 T hi quy bc 1 dng có xu th X6 = 2 + 0.06*T + 0.3*X6(-1) + W2 Trung bình trt bc 1 X7 = W1 + W1(-1) X8 = W2 + 0.7*W2(-1) T hi quy bc 2 không dng Smpl 3 100 Y1 = 0.06*Y1(-1) + Y1(-2) + W1 T hi quy bc 2 dng Y2 = 0.5*Y2(-1) + 0.4*Y2(-2) + W2 Mt s cp đ th đ so sánh W1 và X1 : chui dng và không dng X4 và X7: Dng AR và MA X1 và X4: AR(1) không dng và dng X1 và Y1 : Không dng AR(1) và AR(2) X2 và X6: Xu th không dng và dng X4 và Y2: Dng AR(1) và AR(2) [?] To ra chui trung bình trt bc 2 [?] To chui t hi quy bc 3 và trung bình trt bc 3 5.2. Lc đ t tng quan ánh giá v mc đ t tng quan, ly mu t 2 đn 100 đ phân tích. á Chn W m ca s Series á [Series] View > Correlogram  [Corelogram Specification] > Level Các đng gch đt: khong 95% cho ACF và PACF (khong đ cha bác b gi thuyt 0 k ρ = và 0 kk ρ = ): không có t tng quan và t tng quan riêng. á Lc đ t tng quan ca X1, và ca sai phân X1 ([Corelogram Specification] > 1st difference) Bùi Dng Hi – Khoa Toán kinh t – HKTQD 8 Hng dn s dng Eviews thc hành Kinh t lng [?] So sánh lc đ ca X1 và sai phân, gii thích [?] Xem lc đ t tng quan ca X4, X7, Y1, Y2 và nên nhn xét 5.3. Kim đnh nghim đn v Kim đnh tính dng ca chui á Chn W m ca s Series á [Series] View > Unit Root Test á [Unit Root Test] > Test type: ADF ; Test in: Level ; Include : None Bác b H 0 (có nghim đn v, không dng). Vi chui X2: kim đnh nghim đn v ca chui [Unit Root Test]: ADF; Level ; None: đi sang dng thêm: Intercept, hoc Trend and Intercept. Kim đnh nghim đn v ca chui sai phân ca X2: [Unit Root Test]: ADF; 1st difference; None [?] Kim đnh nghim đn v ca chui X4 trong 3 trng hp: không thêm, thêm h s chn, thêm xu th thi gian; kim đnh nào phù hp nht? [?] Thc hin kim đnh tng t nh trên vi X5, X6? 5.4. Kim đnh đng tích hp Kim đnh xem gia hai chui không dng X2 và X3 có đng tích hp không Thông thng: hi quy X3 theo X2, kim đnh nghim đn v vi phn d á LS X3 C X2 á Series E = resid á Unit Root Test vi chui E Kim đnh Johansen M hai chui X3 và X2 vi ca s Group á [Group] View > Cointergration Test  [Johansen Cointergration Test] > OK Thông tin dòng None: H 0 : Có 0 mi quan h đng tích hp Thông tin dòng At most 1: H 0 : Có nhiu nht 1 mi quan h đng tích hp Nu Thng kê Trace ln hn giá tr ti hn thì bác b H 0 . Có th thc hin kim đnh cho nhiu chui, và thêm các bin ngoi sinh, thay đi chn la v h s chn, xu th,…. ________________________________________ 6. MÔ HÌNH ARIMA VÀ VAR 6.1. Mô hình AR Vi b s liu Exchange_week trong th mc DATA4 Xem bin EX1 á V đ th, xét s bin đng á Kim đnh Nghim đn v, khi có hng s, không có nghim đn v, chui là dng Bùi Dng Hi – Khoa Toán kinh t – HKTQD 9 Hng dn s dng Eviews thc hành Kinh t lng á Lc đ t tng quan: nhn thy có AR(1) S dng mô hình AR(1) đ c lng và d báo á LS EX1 C AR(1) Dependent Variable: EX1 Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic Prob. C 271.6288 19.48596 13.93972 0.0000 AR(1) 0.761968 0.072357 10.53061 0.0000 R-squared 0.693547 Mean dependent var 283.6549 Adjusted R-squared 0.687292 S.D. dependent var 57.41089 S.E. of regression 32.10431 Akaike info criterion 9.814284 Sum squared resid 50503.66 Schwarz criterion 9.890042 Log likelihood -248.2642 F-statistic 110.8938 Durbin-Watson stat 1.992794 Prob(F-statistic) 0.000000  kim đnh tính ngu nhiên ca phn d á [Equation] View > Residual Tests > Correlogram – Q-statistic Chui phn d là ngu nhiên, mô hình tt. [?] Hãy th vi mô hình LS EX1 C AR(1) AR(2) và nhn xét v t hi quy bc 2? [?] Qua đó hãy d báo v chui cho 4 quan sát tip theo? 6.2. Mô hình MA Xét bin EX2 trong cùng b s liu á Kim đnh nghim đn v, xem lc đ t tng quan á c lng mô hình: LS EX2 C AR(1) và nhn xét v kt qu á c lng mô hình: LS EX2 C MA(1) và nhn xét kt qu á c lng mô hình: LS EX2 C AR(1) MA(1) và nhn xét kt qu 6.3. Mô hình ARMA Vi bin EX3: hãy xét mô hình các mô hình AR(1); MA(1), và mô hình kt hp: á LS EX3 C AR(1) MA(1) Ngoài ra có th xét yu t xu th bng cách thêm bin T, hoc @trend() 6.4. Mô hình VAR c lng mô hình VAR ca hai bin EX1 và EX2 đn tr bc 3 á [Eviews] Quick > Estimate VAR á [Var] Basics : Unrestricted VAR ; Endogenous Variables: EX1 EX2 ; Lag Intervals for Endogenous: 1 3 ; Exogenous Variables : C. Bùi Dng Hi – Khoa Toán kinh t – HKTQD 10 [...]...H ng d n s d ng Eviews th c hành Kinh t l ng BÀI T P T NG H P Các bài t p th c hi n v i = 5% Bài s 1 S d ng b s li u US_Y trong th m c DATA0810 Trong ó GDP là T ng s n ph m qu c n i, M2 là cân i ti n M2, R là lãi su t, DEF... u2 t u3t 1 Hãy nh d ng các ph ng trình trong h b ng i u ki n H ng và i u ki n Th b c 2 Nêu cách c l ng phù h p v i h ph ng trình trên? Bùi D ng H i – Khoa Toán kinh t – HKTQD 11 H ng d n s d ng Eviews th c hành Kinh t l ng 3 Hãy c l ng h b ng ph ng pháp bình ph ng nh nh t hai b c và ba b c 4 Khi thêm vào ph ng trình th ba bi n tr b c 1 c a IM thì nh d ng các ph ng trình th nào? N u c hãy c l ng h ó... nh ng n m quy n) Hãy c l ng kh n ng có th ng d khi GDP b ng 4000 gi a hai tr ng h p 5 K t qu trong câu 4 s th nào n u mô hình là Probit? Bùi D ng H i – Khoa Toán kinh t – HKTQD 12 H ng d n s d ng Eviews th c hành Kinh t l ng Bài s 5 S d ng b s li u Binary_Health_Insurance trong th m c DATA4 V i HI là bi n th hi n vi c h gia ình có mua b o hi m y t 1 Phân tích tác ng c a thu nh p h gia ình n kh n ng... a ra mô hình t h i quy phù h p nh t 9 c l ng mô hình MA(1) MA(2) và nh n xét k t qu ? 10 c l ng mô hình ARMA(1,1) và nh n xét k t qu ? Bùi D ng H i – Khoa Toán kinh t – HKTQD 13 H ng d n s d ng Eviews th c hành Kinh t l ng Ph l c 1 B NG GIÁ TR HÀM LOGISTIC L(u ) ez 1 ez ; L( z ) 1 L( z ) u 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4... 0.9605 0.9641 0.9674 0.9704 0.9731 0.9756 0.9779 0.9800 0.9818 0.9835 0.9851 0.9865 0.9878 0.9889 0.9899 0.9909 0.9918 0.9925 0.9932 0.9939 Bùi D ng H i – Khoa Toán kinh t – HKTQD 14 H ng d n s d ng Eviews th c hành Kinh t l Ph l c 2 ng B NG GIÁ TR HÀM ( z) 1 exp 2 z2 ; 2 ( z) ( z) u 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.0 0.3989 0.3970 0.3910 0.3814 0.3683 0.3521 0.3332 0.3123 0.2897 0.2661... 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.0 4.1 4.2 Bùi D ng H i – Khoa Toán kinh t – HKTQD 15 H ng d n s d ng Eviews th c hành Kinh t l ng u Ph l c 3 B NG GIÁ TR HÀM 0 ( z) 0 0 ( z) ( z) ( z )dz 0.5 ( z) 0 ( z ) 0.5 u 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3... c l ng kh n ng có c t gi m lãi su t khi t ng tr ng 50 t USD và t ng tr ng cung ti n là 35 t Khi ó n u t ng tr ng cung ti n t ng thêm 1 t thì kh n ng có c t gi m lãi su t thay i th nào? N u mô hình i thành Probit thì k t qu chênh l ch so v i mô hình Logit bao nhiêu? Bài s 4 S d ng b s li u US_1947_2005 trong th m c DATA2 V i bi n D1 nh n giá tr b ng 1 n u có th ng d trong tài kho n vãng lai (g i t t