Phương pháp này sử dụng một hàm sai số chuẩn mới để ước lượng phương sai của phần dư, không dựa trên giả thiết phương sai sai số không đổi.. 3.2 Kiểm định phương sai sai số thay đổi bằng
TRƯỜNG ĐẠI HỌC CẦN THƠ TRƯỜNG KINH TẾ Học phần: Kinh tế lượng (KT113/03) Danh sách thành viên nhóm 28 Đỗ Phương Ly B2108255 Nguyễn Nhựt Tâm B2108267 Nguyễn Huỳnh Anh Thy B2108271 Nguyễn Vũ Trúc Uyên B2108277 Nguyễn Huỳnh Vũ B2108278 Giảng viên hướng dẫn: Bùi Thị Kim Thanh 1/ Ước lượng OLS giải thích sự khác biệt của giá nhà (price) dựa trên các yếu tố về đặc điểm ngôi nhà theo thông tin sau: livespace: diện tích căn nhà asset: số tài sản đáng giá trong nhà tapwat: có hệ thống nước sạch cung cấp bởi công ty cấp nước (1: có | 0: không) urban: căn nhà ở vùng nào (1: thành thị | 0: nông thôn) price = β1 + 𝛽2livespace + 𝛽3asset + 𝛽4tapwat + 𝛽5urban + u Kết quả hồi quy: ˆ2 3.3945 : Mỗi tăng 1 đơn vị diện tích căn nhà, giá nhà tăng trung bình 3.39 triệu đồng trong điều kiện các yếu tố khác là như nhau ˆ3 130.6911: Mỗi tăng 1 đơn vị số tài sản đáng giá, giá nhà tăng trung bình 130.69 triệu đồng trong điều kiện các yếu tố khác là như nhau ˆ4 357.7327: Có hệ thống nước sạch cung cấp bởi công ty cấp nước có ảnh hưởng tích cực đến giá nhà, tăng trung bình 357.73 triệu đồng trong điều kiện các yếu tố khác là như nhau 𝛽̂5 = 277.4488: Căn nhà ở thành thị có giá trung bình cao hơn 277.45 triệu đồng so với căn nhà ở nông thôn trong điều kiện các yếu tố khác là như nhau R-squared = 0.2350: Mô hình giải thích được 23.50% sự thay đổi của giá nhà 1 2/ Thực hiện kiểm định về phương sai sai số của mô hình vừa ước lượng Giải thích kết quả kiểm định 2.1 Kiểm định phương sai sai số thay đổi bằng kiểm định White Kiểm định cặp giả thuyết H0: Mô hình không có phương sai sai số thay đổi H1: Mô hình có phương sai sai số thay đổi Kết quả kiểm định White cho thấy p-value = 0 < 0.05 nên bác bỏ H0 Kết luận mô hình có phương sai sai số thay đổi với mức ý nghĩa 5% *Khắc phục phương sai sai số thay đổi bằng sai số chuẩn vững Robust Standard Error Kết quả như sau: 2 Để khắc phục phương sai sai số thay đổi, có một số cách khác nhau, trong đó phổ biến nhất là sử dụng phương pháp sai số chuẩn Robust Phương pháp này sử dụng một hàm sai số chuẩn mới để ước lượng phương sai của phần dư, không dựa trên giả thiết phương sai sai số không đổi Ta thấy các hệ số ước lượng vẫn giữ nguyên chỉ có phần sai số chuẩn của mô hình thay đổi 2.2 Kiểm định đa cộng tuyến bằng VIF Nếu giá trị VIF lớn hơn một ngưỡng nhất định (thường là 2), điều này có thể được coi là một dấu hiệu của đa cộng tuyến Kết quả cho thấy tất cả các biến đều có VIF < 2 và VIF trung bình bằng 1.39 < 2 nên có thể cho rằng mô hình không có hiện tượng đa cộng tuyến 3/ Nếu bạn muốn nghiên cứu về mối quan hệ giữa đặc điểm của chủ nhà (tuổi, giới tính, trình độ học vấn, dân tộc, thu nhập) và giá căn nhà họ đang ở (price) Hãy đề xuất mô hình hồi quy phù hợp sử dụng biến phụ thuộc là giá nhà (price) Thực hiện ước lượng hồi quy, giải thích ý nghĩa và kiểm định (phương sai sai số, đa cộng tuyến) cho mô hình vừa đề xuất 3.1 Kết quả hồi quy 3 ˆ2 10.16383: Mỗi tăng 1 đơn vị tuổi của chủ nhà, giá nhà tăng trung bình 10.16 triệu đồng trong điều kiện các yếu tố khác là như nhau 𝛽̂3 = -182.2357: Căn nhà thuộc sở hữu của nam có giá trung bình thấp hơn 182.24 triệu đồng so với căn nhà thuộc sở hữu của nữ trong điều kiện các yếu tố khác là như nhau 𝛽̂4 = 28.36993: Mỗi tăng 1 đơn vị trong trình độ học vấn của chủ nhà, giá nhà tăng trung bình 28.37 triệu đồng trong điều kiện các yếu tố khác là như nhau 𝛽̂5 = 254.8333: Mỗi tăng 1 đơn vị trong kinh nghiệm sở hữu nhà, giá nhà tăng trung bình 254.83 triệu đồng trong điều kiện các yếu tố khác là như nhau 𝛽̂6 = 22.70237: Mỗi tăng 1 đơn vị trong thu nhập, giá nhà tăng trung bình 22.70 triệu đồng trong điều kiện các yếu tố khác là như nhau 3.2 Kiểm định phương sai sai số thay đổi bằng kiểm định White Kiểm định cặp giả thuyết H0: Mô hình không có phương sai sai số thay đổi H1: Mô hình có phương sai sai số thay đổi Kết quả kiểm định White cho thấy p-value = 0 < 0.05 nên bác bỏ H0 Kết luận mô hình có phương sai sai số thay đổi với mức ý nghĩa 5% 4 *Khắc phục phương sai sai số thay đổi bằng phương pháp Robust 3.3 Kiểm định đa cộng tuyến bằng VIF Nếu giá trị VIF lớn hơn một ngưỡng nhất định (thường là 2), điều này có thể được coi là một dấu hiệu của đa cộng tuyến Kết quả cho thấy tất cả các biến đều có VIF < 2 và VIF trung bình bằng 1.11 < 2 nên có thể cho rằng mô hình không có hiện tượng đa cộng tuyến 4/ Nếu bạn muốn ước lượng sự khác nhau giữa hai nhóm đối tượng nam và nữ trong mối tương quan giữa giá nhà với trình độ học vấn của chủ nhà Hãy điều chỉnh lại mô hình vừa đề xuất ở mục 3 bằng cách sử dụng biến giả là biến giới tính 5 *Để điều chỉnh mô hình để ước lượng sự khác nhau giữa hai nhóm nam và nữ trong mối tương quan giữa giá nhà và trình độ học vấn của chủ nhà, ta thêm một tương tác giữa biến giới tính (male) và biến trình độ học vấn (edu) là biến male_edu Kết quả ước lượng như sau: Hệ số hồi quy biến male_edu: 𝛽̂6 = -27.94387: Với cùng trình độ học vấn, giá nhà của chủ là nam sẽ thấp hơn nữ 27.94 đơn vị trong điều kiện các yếu tố khác là như nhau 5/ Nếu bạn tin rằng mối quan hệ giữa tuổi của chủ nhà và giá nhà họ đang ở không phải là quan hệ tuyến tính (Chủ nhà ở độ tuổi trung niên có xu hướng ở căn nhà giá cao, chủ nhà còn trẻ hoặc khá lớn tuổi sẽ ở căn già giá thấp hơn, chẳng hạn do nhu cầu khác nhau hoặc vì lý do tài chính.) Hãy điều chỉnh lại mô hình vừa đề xuất ở mục 3 Nghi ngờ rằng mối quan hệ giữa tuổi của chủ nhà và giá nhà không phải là quan hệ tuyến tính, ta sẽ sử dụng các biến giả để mô phỏng mối quan hệ này một cách linh hoạt hơn Ta tạo các biến giả để biểu diễn các khoảng tuổi khác nhau và xem xét tác động của từng khoảng tuổi lên giá nhà như sau: Nhóm 1: Tuổi < 30 Nhóm 2: 30 Tuổi < 50 Nhóm 3: Tuổi 50 6 Biến age_group2 có hệ số ước lượng âm và có ý nghĩa thống kê ở mức 5%, cho thấy rằng những người thuộc độ tuổi từ 30 đến 50 có giá nhà trung bình thấp hơn 160,35 triệu đồng so với những người thuộc độ tuổi dưới 30 Kết quả hồi quy cho thấy rằng biến age_group1 và age_group3 bị loại khỏi mô hình do đa cộng tuyến Điều này có thể là do hai biến này có mối tương quan cao với nhau Như vậy có thể cho rằng tuổi của chủ nhà và giá nhà họ đang ở là quan hệ tuyến tính, tuổi càng cao thì giá trị căn nhà họ sở hữu càng thấp 6/ Biến phân loại nhà (houtype) cho biết mức độ kiên cố của căn nhà Một căn nhà có thể được xếp vào một trong hai nhóm sau: Kiên cố (nếu biến houtype = 1/2/3) và Không kiên cố (houtype = 4/5) Hãy sử dụng hàm hồi quy Logit hoặc Probit để ước lượng khả năng một người sẽ ở trong căn nhà kiên cố dựa trên các đặc điểm sau: giới tính, thu nhập, trình độ học vấn *Kết quả ước lượng mô hình Logit 7 Kết quả hồi quy cho thấy rằng mô hình có ý nghĩa thống kê ở mức 1%, với: R-squared là 0,0346 cho thấy mô hình giải thích được 3,46% sự biến thiên của khả năng một người sẽ ở trong căn nhà kiên cố Biến male có hệ số ước lượng âm là -0,2609215 Điều này có nghĩa là: khi giới tính của chủ nhà thay đổi từ nữ sang nam, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ giảm đi 0,2609215 Biến edu có hệ số ước lượng dương là 0,0818795 Điều này có nghĩa là: khi trình độ học vấn của chủ nhà tăng thêm 1 đơn vị, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ tăng lên 0,0818795 Biến income có hệ số ước lượng là 0,020273 Điều này có nghĩa là: khi thu nhập của chủ nhà tăng thêm 1 đơn vị, thì khả năng chủ nhà sống trong căn nhà kiên cố sẽ tăng 0,020273 7/ Hãy tạo một biến mới “price_700” nhận giá trị bằng giá trị biến “price” nếu căn nhà có giá lớn hơn 700 triệu đồng, và sẽ nhận giá trị bằng 700 nếu giá căn nhà nhỏ hơn hoặc bằng 700 triệu đồng Câu lệnh cụ thể như sau: gen price_700 = price recode price_700 (* = 700) if price