bài giảng kinh tế lượng trong tài chính ngân hàng iuh

GIỚI THIỆU PHẦNMÈM STATA- Lưu các thao tác khi thực hiện lệnh và kết quả phân tích:Khai báo trước khi phân tích:File / Log / Begin...Khai báo sau khi phântíchxong:File / Log / CloseMỘT S

BẢNSAOLưu TRỮ

KINH TẾ LƯỢNG

TRONG TÀI CHÍNH - NGÂN HÀNG

GIẢNG VIÊN: TS NGUYÊN THỊ MỸ PHƯỢNG

MỤC TIÊU CỦA HỌC PHẦN

CHUẨNĐẰURA CỦA HỌCPHẦN

Vận dụng được các mô hình hồi quy để tính toán và kiểm định

các giá trị ước lượng trong nghiên cứuTài chính- Ngân hàng.

Phân tíchđược kết quả ước lượngcủamô hình nghiên cứu trong Tài chính - Ngân hàng.

Tổnghợp và phân tích được dữ liệu/thôngtintrong lĩnh vực

Tài chính - Ngân hàng.

Thựchiện côngviệc cá nhân/nhóm liên quanđếncác tình

► Họcviên cần chuẩn bị bài học và hoàn thành bài tập theoyêu cầucủagiảngviêngiảng dạy.

□ Dự lóp: trên 80%

□ Khác: theo yêu cầu của Giảng viên

TÀILIỆU •HỌC♦ TẬP♦

□ Bài giảng Kinh tế lượng trong Tài chính - Ngân hàng

□ Các tài liệu do Giảng viên cung cấp

tiếp cận hiệnđại (Trần Thi Tuấn Anh chủ biêndịch),

TIÊU CHUẨN ĐÁNH GIÁ HỌC VIÊN

Dự lớp: trên 80%

Thi giữa học phần (Tiểu luận nhóm)

^ Thi kết thúchọcphần (Tiểu luận nhóm)

Theo qui chế tín chỉ

CÁC THÀNHPHẨN ĐÁNH GIÁ HỌC VIÊN

THỜILƯỢNG VÀ NỘI DUNG HỌCPHÀN

□ NỘI DƯNG HỌC PHẢN:

1 Chương 1 ứng dụng mô hình hôi quy

tuyến tính cổ điển trong TCNH 102 Chương 2 ứng dụng các mô hình hồi quy

3 Chương 3 ứng dụng mô hình hồi quy với

dữ liệu chuỗi thời gian trong TCNH 154 Chương 4 Tiến hành nghiên cứu thực

nghiệm trong lĩnh vực TCNH 5

CÁC DẠNG DỮ LIỆU KINH TẾ

□ Dữ liệu chuỗi thời gian (time series data)

□ Dữ liệubảng (paneldata)

DỮ LIỆU CHÉO (CROSS SECTIONAL DATA)

Dữ liệu chéo bao gồm một mẫu các đối tượng (cá nhân, gia đình, doanh nghiệp, địa phương, quốc gia, ) được thu thập tại một thời điểm cụ thể.Ví dụ: Dữ liệu lạm phát của các quốc gia ASEAN vào năm 2022

DỮ LIỆU CHUỎI THỜI GIAN (TIMES SERIES DATA)

Dữ liệu chuỗi thời gian bao gồm các quan sát về một hoặc nhiều biến theo thời gian.

Ví dụ:

- Dữ liệu giá cổ phiếu VIC trong giai đoạn 2007-2022.- Dữ liệu GDP của Việt Nam trong giai đoạn 2000-2022

DỮ LIỆU BẢNG (PANEL DATA)

Dữ liệu dạng bảng bao gồm các chuỗi thời gian ứng với mỗi đối tượng chéo trong tập dữ liệu Đây là sự kết hợp của hai loại dữ liệu trên.

Ví dụ: Dữ liệu giá cổ phiếu của các doanh nghiệp ngành bất động sản trong giai đoạn 2010-2022 Dữ liệu chỉ số giá tiêu dùng CPI và GDP của các quốc gia ASEAN trong giai đoạn 2010-2022.

Công ty A Công tyA

Công ty B

CôngtyBCôngty B

CÁC PHẦN MÈM THÓNG KÊ sử DỤNG

□ Phần mềm Stata□ Phan mem Eviews

TỔNG QUAN VÈ PHẦN MÈM STATA

1985 bởi StataCorp.

TÔNG QUAN VÈ PHÀN MÈM STATA

Number trước khi chuyển số liệu sang Stata.

- Ket thúc câu lệnh bằng phím Enter.

trắng.

GIÓI THIỆU PHẦN MỀM STATA

- Khởi động Stata

Stata được khởi động tương tự như các chương trình tin học ứng dụng khác, bằng cách click vào biểu tượng của Stata:

GIỚI THIỆU PHẦN MỀM STATA

Giaodiện Stata 14:

Sau khi Stata được khởi động, giao diện của Stata sẽ được hiện lên, bao gồm thanh thực đơn ở trên cùng, dưới đó là thanh công cụ và các cửa sổ.

4905 Lakeway Drive

College Station, Texas 77845 USA 800-STATA-PC http://WWW.stata#com979-696-4600 stataộstata.com979-696-4601 (fax)

Unicode is supported; see help unlcode_advice.

Maximum number of variables is set to 5006; see help set maxvar

Vanjbh

GIƠI THIÊU PHAN MÈM STATA

Giao diện Stata 17.

A MP—ParallelEdition NameLabel

Statistics and DataScienceCopyright 1985-2021 StataCorp LLC stataCorp

4905 Lakeway Drive

College Station, Texas 77845 USA

There areitems rc shew.

8ee-sTATA-Khttps: /Aww stata com statadstata.ccmstata license: Unlimited-user 64-core network perpetual

Serial number: 18461036TEARTEAR

Unicode issupported; see help unieode_advi.ee.

2 Here than 2 billion observations are allowed; see help obs_advice.3 Maxiawjw number of variables is set to 5,009; see help set-Warvar.4 New update available; type -update all-

Propertiesft < >

GIỚI THIỆU PHÀN MỀM STATA

rile Edit Data Graphics Statistics User Wincow Help

y^* d d„i_ df Ji'd

VariablesA, Hite?

There are no items to showStatxstics/Data Analysis ■f here are no items to show

Tic-Command ở dưới cùng ià màn hình lệnh

Các biến chứa trong file xuất hiện ở Variables bên phải.

GIÓI THIỆU PHẦN MÈM STATA

File Edit Data GraphicsStatistics User Window Help

l£-r taSI I Ẽ.I _ J i^j i _ J ^ _ J I

- Data: Để quản lý dữ liệu như nhập dữ liệu từ Excel, biên tập dữ liệu, tạo hoặc thay đổi biến, quản lý các biến

- Graphics: Vẽ đồ thị.

- Statistics: Tất cả công việc liên quan đến thống kê mô tả và hồi quy.- User và Help: Cung cấp tất cầ các lệnh.

Ví dụ thực hành: Tập tin WAGE1.XLS

GIỚI THIỆU PHẦN MỀM STATA- Nhập số liệu:

Có một số cách để nhập số liệu vào bộ nhớ của Stata:

+ Cách 1: Sử dụng cửa sổ Data Editor (Edit) :

+ Cách2: Từ cửa sổ Command, nhập lệnh “edit”.

Sau đó, nhập số liệu vào cửa sổ hiện ra Stata cho phép nhập số liệu từ các file số liệu trên Excel Chúng ta có thể dùng lệnh

- Ngoài ra, có thê mờ file sô liệu trên Stata đang có tưong tự chương trình tin học thông thường.

GIỚI THIỆU PHẦN MÈM STATA- Nhập sô liệu:

wageeducexpertenure nanwhfte female

stata license: Unlimited-user 64-ccre network perpetualSerial number: 18461936

licensed to: TEAM BKRNotes:

1 Unicode is supported; see help unicodeadvice.

2 More than 2 billion observations are allowed; see help cbs_ôdvice.3 Maxẳntum number of variables is set to 5,969; see help set_®axvar.4 Hew update available; type -update all-

marriednemdepnorthcensouthPrependÔ < >^Variables

edit

*{24 variables, 526 observations pasted into data editor}

Vilus ỉxbei Oita

GIỚI THIỆU PHẦN MỀM STATA- Lưu số liệu:

Việc lưu trữ số liệu có thể thực hiện bằng các tùy chọn Save hoặc

Save as ở trong thanh thực đơn; hoặc nút Save trên thanh công cụ.

2 Stata/SE 11.1 - D:\Cong viec\Phanĩ

'Tile j Edit ~D^aGraphicsStatistic Qj Open I Ctrl+O

d Ss« 5 ctrl+sSaye As-;y* Ctrl*Shift*s

Do

Filename

GIỚI THIỆU PHẦNMÈM STATA

- Lưu các thao tác khi thực hiện lệnh và kết quả phân tích:

Khai báo trước khi phân tích:

File / Log / Begin

Khai báo sau khi phântíchxong:

File / Log / Close

MỘT SÓ CÂU LỆNH Cơ BẲN TRÊN PHẦN MÈM STATA

gồm số lượng quan sát trong tệp dữ liệu, số lượng biến, tên củacác biến,

cha :

from C:52€

storagedisplay value

Kểt ouả: variable nametypeformat label variable labelwagefl oat*8- Og

educbyteAS Ogejcperbye®AB - Ogternarybyteve OgnonwhitebyteAS - Ogf eraa-lebyte% 8 OgmarriedbyteAB _ Ognemdepbyte*3-2«sms a.byteA8 - Ogno r th ceilbyte*8 _ OgsouthbyteAS _ Ogwestbyte%8 Ogcone truebyteA8 OgndurmenbyteAB-Ogt rcomnspu,byte% 8 - Ogtradebyte*3 -Ogservice abyteAB Ogpro Fee wbyteA8_ OgprofonebyteA a Og• arvoccAB - OgIwagefl oatA8- Ogeocperegint*3 Og■ UenuragmtAB-Og

MỘT SỐ CÂU LỆNH Cơ BẢN TRÊN PHẢN MỀM STATA

MỘT SÓ CÂU LỆNH cơ BẢN TRÊN PHẰN MÈM STATA

- Đổi tên biến:

Câu lệnh: renameTenBienCuTenBienMoi

Ví dụ: rename educ edu

dụng lệnh “help CauLenhCanTim” Ví dụ: “help rename”.

MỘT SÓ CÂU LỆNH CO BẢN TRÊN PHẦN MÈM STATA

- Gán nhãn cho các biến: (giúp hiểu rõ hon về dữ liệu)

Câu lệnh: label variable Tên Biến “tên nhãn”

Vídụ: label var married "Tình trạng hôn nhân"

Ket quả:

MỘT SÓ CÂU LỆNH Cơ BẢN TRÊN PHÀN MÈM STATA

- Giữ lại các biến cần:

Câu lệnh: keep_Bien l_Biến 2_Biến 3

Ví dụ: keep wage exper tenure female numdep

FileuJ; un

Edit View Data Tools® -^ ®> Qj—5 7 *

wage exper tenu.Ee female nuxodep

1345€789

MỘT SỐ CÂU LỆNH CO BẢN TRÊN PHẦN MỀM STATA

- Thống kê tần suất xuất hiện của các biến

Câulệnh: tabulate TenBien

MỘT SỐ CÂU LỆNH Cơ BẢN TRÊN PHẦN MÈM STATA

- Thống kê mô tả chung:

MỘT SÓ CÂU LỆNH Cơ BẢN TRÊN PHÀN MÈM STATA

- Vẽ đồ thị phân phối tần suất của một biến

Câu lệnh: histogram [DanhSachBien]

3

CHƯƠNG 1

ỨNG DỤNG MÔ HÌNH HÒI QUY

GIẢNG VIÊN: TS NGUYỄN THỊ MỸ PHƯỢNG

HÒI QUY (REGRESSION)

Hồi quy dựa là ước lượng giá trị trung bình của biến phụ thuộc trên cơ sở các giá trị biết trước của các biến độc lập.

- Hàm hồi quy: Y = f(X) + u

với u là sai sô hay nhiêu, đại diệnchoyếu tố khác không phải X

ảnh hưởng denY

HỎI QUY (REGRESSION)

* Tại sao sai sổ u luôn tồn tại trong mô hình hồi quy?

► - Vì không biết hết các yếu tố ảnh hưởng đến biến phụ thuộc Y.► - Vì không thể đưa hết các yếu tố ảnh hưởng đến Y vào mô hình.► - Mô hình sẽ trở nên quá phức tạp nếu ta đưa hết các yếu tố ảnh

hưởng vào mô hình

► - Vì dữ liệu không có sẵn.

► - Vì sai sót và sai số trong quá trình thu thập số liệu.

Hàm hồi quy tống thế - PRF (Population Regression Function)

Là hàm hồi quy được xây dựng dựa trên số liệu của tất cả các đối tượng cần nghiên cứu.

Y : Biến phụ thuộc

Y|: Giá tri thực tế cụ thể của biến phụ thuộc

X2,X3, , xk : Các biến độc lập

^2i>^3iv‘í xtó : Giá trị cụ thể của biến độc lập

Ui: Sai số ngẫu nhiên ứng với quan sát thứ i

- Hàm hồi quy tổng thể - PRF (Population Regression Function)

PRF-.Y^^X^X^.XJ + U,

Hoặc :

EịY I ^21 5 ^3ì 5 • * 9^3/ 9 • • 'Xkĩ)

Hàm hồi quy mẫu - SRF (Sample Regression Function)

Trong thực tế rất khó nghỉẽn cứu trên tổng thể nên thông thường người ta nghiên cứu xây dựng hàm hồi quy trên một mẫu => Gọi là hàm hồi quy mẫu

Với €ị là sai sổ trong mẫu, là phần dư, là ước lượng của ưị.

SRFX^flX^X^.XJ

MÔ HÌNH HỎI QUY TUYẾN TÍNH

Mô hình hồi quy tuyến tính - LRM (Liner Regression Model) là phương pháp tiếp cận xem xét mối quan hệ tuyến tính - dạng quan hệ đường thẳng giữa các biến độc lập (X) với biến phụ thuộc (Y) trong mô hình.

MÔ HÌNH HỎI QUY TUYẾN TÍNH

+ Nếu chỉ có một biến độc lập, mô hình được gọi là mô hình hồi quy tuyến tính đơn SLR (Simple Linear Regression).

► p! Pn: các tham số

► Pn đo lường sự thay đổi của Y theo Xn , trong điều kiện các yếu tổ khác không đổi► Ư: sai số

CÁC DẠNG MÔ HÌNH HỒI QUY TUYẾN TÍNH

- Mô hình tuyến tính logarit (log-log)- Mô hình Log-lin

- Mô hình Lin-log- Mô hình nghịch đảo- Mô hình đa thức

MÔ HÌNH TUYẾN TÍNH LOGARIT (LOG-LOG)

Mô hình tuyến tính logarit (log-log) là dạng mô hình biến phụ thuộc (biến Y) và biến độc lập (biến X) đều ở dạng log.

MÔ HÌNH LOG - LIN

Mô hình Log-lin là dạng mô hình mà biến phụ thuộc ở dạng log, còn biến độc lập có thể ở dạng log hoặc bình thường

Thay đổi tương đối của biến phụ thuộc (Y) Thay đổi tuyệt đối của biến độc lập (t)

Ý nghĩa của hệ số p : Khi X tăng I đơn vị thì Y thay đổi 100.P2 (%)

MÔ HÌNH LIN - LOG

Mô hình Lin-log là dạng mô hình mà biến phụ thuộc ở dạng bình thường, còn một hay nhiều biến độc lập ở dạng log.

}; =/í + & In Jf, + U;

Hệ số p2 trong mô hình này sẽ được giải thích là nếu X thay đổi 0,01 (hay 1%) thay đổi tuyệt đối của Y là 0,0 lp2.

Mô hình đa thức/lũy thừa là mô hình mà biến độc lập ở dạng lũy thừa

Mô hình này cho biết về mức độ thay đổi của biến Y Đe tính được mức độ thay đối này, ta phải lấy đạo hàm theo bien X của mô hình.

dY/dX = p! + 2 p2X

PHƯƠNG PHÁP BÌNH PHƯƠNG NHỎ NHÁT (ORDINARY LEAST SQUARES - OLS)Các giả thiết của phương pháp OLS:

05 Giả thiết 1: Quan hệgiữaYvà X là tuyến tính Các

05 Giả thiết 2: Cấc sai số Uilà đại lượng ngẫu nhiêncó

giá trị trungbình bằng 0.

PHƯƠNG PHÁP BÌNH PHƯƠNG NHỎ NHẤT (ORDINARY LEAST SQUARES - OLS)Các giả thiết của phương pháp OLS:

í Giả thiết3: Cảc sai số Ui là đại lượng ngẫu nhiên có phương sai không thayđổi.

VarịUị I Tị) =ơ2 = const

® Giả thiềt4: Không có sự tương quan giữa các Ui.

CovịỤ., u \x.,x.) = 0, i * j

PHƯƠNG PHÁP BÌNH PHƯƠNG NHỎ NHÁT (ORDINARY LEAST SQUARES - OLS)Các giả thiết của phương pháp OLS:

SD Giảthiết 5: Không có sự tương quan giữa Ui và Xi.

SD Giả thiết 6: Các sai số Uicó phân phối chuẩn.

PHƯƠNG PHÁP BÌNH PHƯƠNG NHỎ NHẤT (ORDINARY LEAST SQUARES - OLS)Các giả thiết của phương pháp OLS:

■♦ Khi các giả thiết này được đảm bảo thì các ước lượng

thể.

PHƯƠNG PHÁP BÌNH PHUONG NHỎ NHẤT (ORDINARY LEAST SQUARES - OLS)

TÌNH HUỐNG NGHIÊN cứu

Nghiên cứu ẳnh hưởng của học vấn và kinh nghiệm đến tiền lương của ngưòi lao động tại doanh nghiệp

File dữliệu thựchành: WAGE 1

Mô hình nghiên cún:

Wage được xác định bởi hai biến giải thích là học vấn và kinh nghiệm

và những yếu tố không quan sát được chứa trong Ư.- pj là hệ số chặn

- Hệ số hồi quy P2 đo lường tác động của educ lên wage trong điều kiện các yếu tố khác không đổi.

- Hệ số hồi quy P3 đo lường tác động của exper lên wage trong điều kiện các yếu tố khác không đổi.

Ước LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS

Ket quả:

reg wage educ exper

SourcessdfMS Number of obs =526

CT^ } —

Residual5548.1597952310.6083361 R-sgtlared =0.2252

Total7160.4142952513.6388844Root MSE3.257

wageCoef.Std- Err.t p>1t1[95% Conf.Interval]educ.6442721.053806111.970.000.5385695.7499747exper.0700954.01097766.390.000 0485297.0916611

Đẻ biết mô hình hồi quy tuyến tính đã xây dựng trên dữ liệu mẫu phù hợp đến mức độ nào với dữ liệu, chúng ta cần dùng một thước đo nào đó về độ phù hợp của nó.

ƯỚC LƯỢNG MÔ HÌNH THEO PHU ƠNG PHÁP OLS- Hệ số xác định và kiểm định hệ số xác định:

Hệ số xácđịnh(R2) cóđặcđiểm sau:+ 0 < R2 < 1

+ R2 = 1: Mô hình phù hợp hoàn toàn với mẫu nghiên cứu.+ R2 = 0: Mô hình hoàn toàn không phù hợpvới mẫu

nghiên cứu.

ƯỚC LƯỢNG MÔ HĨNH THEO PHU ONG PHÁP OLS

+ TSS: Tổng bình phương toàn phần (Total Sum of Squares)+ ESS:Tổng bình phương hồiquy (Explained Sum of Squares)+ RSS: Tổngbình phương phần dư (Residual Sum of Squares)

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯONG PHÁP OLS - Hệ số xác định và kiểm định hệ sổ xác định:

ireg wage: educ exper*

SourcessdrMSNumbe X a— abs =523) =

£ \ ^ r

Mode 11612.25452806.127251Prob> F =0.oooo

Ele si dual5548.15979523IO 6083361st—squared =0.2252

Adj a—squared =0.2222Total7160.4142952513.6388844 Elect MSE =3.257

wageCoef.Std Err. tp> 1 t 1 [95% Conf.Interval]educ.6442721.053806111.970.000.5385695 7499747exp er.0700954.01097766.390.000.0485297.0916611_cons-3.390539 7665661-4.420.000-4.896466-1.884613

Trong bảng kết quả trên:

1^*6041429

ƯỚC LƯỢNG MÔ HĨNH THEO PHƯƠNG PHÁP OLS

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS - Hệ số xác định và kiểm định hệ số xác định:

v^g wage exilic ^xp^ir

SourcessdfMSNumber of obs=526F<2,523)75.99Model1612.25452806.127251Prob5- F=0.oooo

Residual5548.1597952310.€083361R—squared=0.2252Adi a — s quared0.2222Total7160.4142952513.6388844RootMSE—3.257WâgeCoer Std- Err.tp> i t 1[95% ConInterval ]e due.6442721 053806111.970 ooo.5385695 7499747exper.0700954.01097766.390.000 0485297 0916611_ cons-3.390539.7665661-4.420 ooo-4.896466-1.884613

ƯỚC LƯỢNG MÔ HÌNH THEO PHUONG PHÁP OLS

Kiểm định giả thiết về R2:

Với độ tincậy là (1-a)

a là mức ý nghĩa.Trong TCNH, a thường ở các mức

+ Nếu p-value < a => bác bỏ Ho, tức là chấp nhận Hj

+ Nếu p-value > a => chấp nhận Ho, tức là bác bỏ Hj

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS

Kiếm định giả thiết ve R2:

SourcessdrMSNumber of obs =F(2r S23) =

52675.99Model1612.25452806.127251Prob > F =0.0000Residual5548.1597952310.6083361R-squared =

Adj R-squared =

0.22520.2222Total7160.4142952513.6388844Root MSE =3.257

wageCoef.Std Err.tp>|t| [9S% Conf.Interval]educ 6442721 053806111.970.000 5385695.7499747exper 0700954.01097766.390.000 0485297 0916611cons-3.390539.7665661-4.420.000 -4.896466-1.884613

Trong bảngkết quả trên:

p-value (Prob > F) = 0.0000 => p-value < 1% => bácbỏ

ƯỚC LƯỢNG MÔ HÌNH THEO PHU ONG PHÁP OLS- Kiểm định giả thiết về Pp P2, p3:

Ho: p, = 0 Hpft/O

Vớiđộtincậy là (1-a)

a là mức ý nghĩa. Trong TCNH, a thường ở các mức

ý nghĩa1%, 5%, 10%.

+ Neu p-value < a => bác bỏ Ho, tức là chấp nhận Hị

+ Neu p-value > cc => chấp nhận Ho, tức là bác bỏ Hị

ƯỚC LƯỢNG MÕ HÌNH THEO PHƯƠNG PHÁP OLS- Kiểm định giả thiết về I ■ ị, p2, p3:

Sourcessdf MS Number of cbs=52675.99

£ \ ^, f 5^0/

Model1612.25452 806.127251 Prob > F=0.0000Residual5548.15979523 10.6083361 R-squared=0.22520 2222Total7160.41429525 13.6388844 Root MSE—3.257

wageCoer Std Err t p>|t| [95% Con f.Interval]educ.6442721.0538061 11.97 0.000 5385695.7499747exper.0700954.0109776 6.39 0.000 0485297.0916611cons-3.390539.7665661 -4.42 0.000 -4.896466-1.884613

Trong bảng kết quả trên:

Coef là hệ số hồi quy (P)

ƯỚC LƯỢNG MÔ HÌNH THEO PHUONG PHÁP OLS

SourcessdrMSNumberof obs= 526

Model1612.25452806.127251Prob> F=0.0000

Total7160.4142952513.6388844Root MSE=3.257

wageCoef.Std- Err.tp> 11Ị[95% Conf.Interval]

Trong bảng kểt quảtrên:

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS

SourcessdfMSNumber of obs =526c*?ií

o i o

Model1612.25452806.127251 Prob > F=0.0000Residual5548.1597952310.6083361R-squared=0.2252

Total7160.4142952513.6388844 RootMSE =3.257

Trong bảng kêt quả trên:

Khoảng tin cậy của hệ sôhôi quy là [95% Conf Interval]

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS

Khoảngtin cậy của Pj với độ tin cậy (1-a) đượctính bằng công

■bíy&ơng-ƯỚC LƯỌNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS- Phân tích tương quan

Ma trận tương quan đo lường mối quan hệ tương quan giữa các biến Nó là một bảng thể hiện hệ số tương quan giữa các cặp biến trong tập dữ liệu.

- Vai trò của ma trận tương quan là giúp hiểu rõ hơn về mối quan hệ giữa các biến trong dữ liệu Nó cho biết xem các biến có quan hệ tương quan mạnh, yếu hay không quan hệ tương quan với nhau.

- Thông qua việc phân tích ma trận tương quan, có thể phát hiện ra các mẫu tương quan, mối liên hệ dự đoán được giữa các biến.

ƯỚC LUỌNG MÔ HÌNH THEO PHUONG PHÁP OLS- Phân tích tương quan

Câu lệnh: correlate wage educ exper

educexper

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS- Kiểm định đa cộng tuyến:

* Đa cộng tuyến (Multicollinearity) là gì?

Theo giả thiết của phương pháp OLS thì các biến độc lập không có mối quan hệ tuyến tính.

Nếu quy tắc này bị vi phạm thì sẽ có hiện tượng đa cộng tuyến.Như vậy , “đa cộng tuyến ”là hiện tượng các biến độc lập trong mô hình phụ thuộc tuyến tính lẫn nhau và thể hiện được dưới dạng hàm số.

ƯỚC LƯỢNG MÔ HÌNH THEO PHƯƠNG PHÁP OLS- Kiểm định đa cộng tuyến:

* Đa cộng tuyến (Multicollinearity) là gì?

Đa cộng tuyến hoàn hảo (nghiêm trọng) có thể làm cho các biến độc lập cộng tuyến mất đi ý nghĩa trong mô hình hoặc có thể bị sai dấu của hệ số hồi quy.

Lưu ý: Việc phát hiện sai dấu do đa cộng tuyến có thể thực hiện bằng cách so sánh dấu cùa hệ số tương quan giữa biến phụ thuộc và các biến độc lập với dấu của hệ số hồi quy của kết quả ước lượng mô hình.