Một mô hình tốt gồm những thuộc tính gì? những môn học áp dụng kinh tế lượng 5. HIỆN TƯỢNG ĐA CỘNG TUYẾN, PHƯƠNG SAI SAI SỐ THAY ĐỔI, TỰ TƯƠNG QUAN XẢY RA VỚI MÔ HÌNH NÀO?
Trang 11 Môn học cần thiết, áp dụng kinh tế lượng: kinh tế vĩ mô, kinh tế vi mô, kinh tế chính trị, quy luật kinh tế, xác suất thống kê, nguyên lí thống kê kinh doanh
3 các hiện tượng khuyết tật của mô hình trong kinh tế lượng thường gồm những gì?
5 khuyết tật của mô hình hồi quy thường gặp gồm:
- Mô hình đa cộng tuyến
- Phương sai sai số thay đổi
- Mức độ phù hợp của mô hình
- Ý nghĩa của hệ số hồi quy
- Tự tương quan
4 Một mô hình tốt gồm những thuộc tính gì?
- Tính tiết kiệm: Mô hình càng đơn giản càng tốt, tuy nhiên phải chứa đựng những biến độc lập chủ yếu ảnh hưởng đến biến phụ thuộc để giải thích được các hiện tượng cần nghiên cứu
- Tính xác định: Các tham số ước lượng được phải có tính ổn định và duy nhất đối với một tập só liệu cho trước
- Tính thích hợp: Các biến độc lập giải thích được sự thay đổi của biến phụ thuộc càng nhiều càng tốt
- Tính bền vững về mặt lý thuyết: Mô hình phải phù hợp với cơ sở lý thuyết nền tảng
- Chẳng hạn, các giả thuyết về tính độc lập của các quan sát, tính phân phối chuẩn và phương sai thuần nhất của sai số,… sẽ đảm bảo về mặt lý thuyết của các mô hình hồi quy tuyến tính cổ điển
- Có khả năng dự báo tốt: Mô hình tốt là một mô hình có khả năng cung cấp các kết quả dự báo càng sát với thực tế càng tốt
5 HIỆN TƯỢNG ĐA CỘNG TUYẾN, PHƯƠNG SAI SAI SỐ THAY ĐỔI, TỰ TƯƠNG QUAN XẢY RA VỚI MÔ HÌNH NÀO?
- Hiện tượng đa cộng tuyến xảy ra với mô hình hồi quy
- Hiện tượng phương sai sai số thay đổi xảy ra ở mô hình hồi quy tuyến tính
- Hiện tượng tự tương quan xảy ra ở mô hình hồi quy tuyến tính
6 Nêu khái niệm, hậu quả, cách phát hiện và cách khắc phục 3 hiện tượng Đa cộng tuyến, Tự tương quan, Phương sai sai số thay đổi
Đa cộng tuyến:
- Khái niệm: Đa cộng tuyến (Multicollinearity) là hiện tượng thường xảy ra khi mối tương quan cao giữa hai hay nhiều biến độc lập trong mô hình hồi quy Nói cách khác, một biến độc lập có thể sử dụng để dự đoán một biến độc lập khác Khi biến độc lập A tặng thì biến độc lập B tăng và ngược lại A giảm thì B cũng giảm
- Hậu quả:
1 Phương sai và hiệp phương sai của các ước
2 Khoảng tin cậy rộng hơn
3 Tỷ số t không có ý nghĩa
4 R2 cao nhưng tỷ số t ít có ý nghĩa
5 Các ước lượng bình phương bé nhất và các sai số tiêu chuẩn của chúng trở nên rất nhaỵ cảm với những thay đổi nhỏ trong bộ số liệu
6 Dấu của các ước lượng hồi quy có thể sai
7 Thêm vào hay bớt đi các biến cộng tuyến với các biến khác, mô hình sẽ thay đổi về độ lớn của các ước lượng hoặc dấu của chúng
Trang 2- Cách phát hiện
1 R2 cao (thường R2 > 0.8) nhưng tỷ số t thấp
2 Tương quan cặp giữa các biến giải thích cao
3 Hồi quy phụ:
- Hồi quy một biến giải thích Xi theo các biến còn lại R2 được tính từ hồi quy phụ ký hiệu là: R2
i
- Giả thiết H0: Ri2=0: không có đa cộng tuyến
- Mối quan hệ giữa Fi và Ri2 là:
Fi= R2i/(k-2) : (1-R2
i)/(n-k+1)
4 Sử dụng nhân tử phóng đại phương sai (VIF)
- Biện pháp khắc phục
1 Sử dụng thông tin nghiệm hoặc thông tin nguồn khác để ước lượng các hệ
số riêng (loại bỏ biến giải thích)
2 Thu thập thêm số liệu hoặc lấy mẫu mới
3 Bỏ biến: so sánh các R2 của các mô hình hồi quy khác nhau
4 Sử dụng sai phân cấp 1
5 Giảm tương quan trong các hồi quy đa thức
Tự tương quan:
- Khái niệm:
+ TTQ là sự tương quan giữa các thành phần của chuỗi các quan sát được sắp xếp theo các thứ tự thời gian (trong các số liệu chuỗi thời gian) hoặc không gian (trong số liệu chéo)
+ Trong phạm vi hồi quy, mô hình tuyến tính cổ điển giả thiết rằng không có sự tương quan giữa các nhiễu Ui, nghĩa là: Cov (Ui, Uj)=0 (ij)
- Hậu quả:
1 Các ước lượng OLS vẫn là các ước lượng tuyến tính, không chệch, nhưng chúng không phải là ước lượng hiệu quả nữa
2 Phương sai ước lượng được của các ước lượng OLS thường là chệch
3 2= RSS/df là ước lượng chênh lệch của 2 và trong một số trường hợp là chênh về phía dưới
4 Giá trị ước lượng R2 có thể không tin cậy khi dùng để thay thế cho giá trị thực của R2
5 Phương sai và sai số tiêu chuẩn của các giá trị dự báo không được tin cậy
- Cách phát hiện:
1 Bằng đồ thị: Đồ thị phần dư theo t
2 Kiểm định d của Durbin-Watson
3 Thống kê D-W dựa vào: ampha, số quan sát n và số biến độc lập của mô hình k’
- Các biện pháp khắc phục
1 Chuyển hoá sai phân bậc 1
2 Chuyển hoá tổng hoá
3 Phương sai Newey-West để điều chỉnh các số chuẩn của OLS
4 Thêm biến trễ vào biến phụ thuộc trong mô hình
Phương sai sai số thay đổi
- Khái niệm:
+ khi nghiên cứu một mô hình, ta giả thiết rằng: Phương sai của từng nhiễu ngẫu nhiên Ui trong đk gtri đã cho của biến giải thích Xi là ko đổi, nghĩa là: Var (Ui Xi) = E (Ui – E(Ui))2=E(Ui)2 = 2
Trang 3+ Ngược lại với trường hợp trên là trường hợp: phương sai có đk của Yi thay đổi khi Xi thay đổi, nghĩa là: E(Ui)2 = i2
- Hậu quả:
1 Các ước lượng bình phương bé nhất vẫn là ước lượng không chênh nhưng không phải là ước lượng hiệu quả (ước lượng có phương sai nhỏ nhất)
2 Ước lượng của các phương sai sẽ bị chênh, do đó các kiểm định mức ý nghĩa và khoảng tin cậy dựa theo phân phối t và F ko còn đáng tin cậy nữa
- Cách phát hiện:
1 Bản chất của vấn đề nghiên cứu: số liệu chéo, qui mô của đối tượng nghiên cứu khác nhau
2 Xem xét đồ thị phần dư
3 Kiểm định Park
4 Kiểm định Glejser
5 Kiểm định White
- Biện pháp khắc phục
1 Sử dụng mô hình WLS (weighted Least Squares)
2 Biến đổi các biến thành dangj logarit để giảm bớt đi hiện tượng phương sai thay đổi
3 Dùng mô hình phương sai sai số chuẩn