1. Trang chủ
  2. » Giáo Dục - Đào Tạo

MÔ HÌNH HỒI QUY BỘI 2

28 538 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 28
Dung lượng 377 KB

Nội dung

3.12 Hệ số tương quan riêng phần • Xét mơ hình Yi = β1 + β X 2i + β X 3i + β X 4i + U i - Các hệ số tương quan riêng phần bậc 2: r12,34, r13,24, r14,23, r23,14, r24,13, r34,12 + Hệ số r12,34 cho biết mức độ tương quan tuyến tính Y X2 điều kiện X3 X4 không thay đổi + Hệ số r23,14 cho biết mức độ tương quan tuyến tính X2 X3 điều kiện Y X4 không thay đổi - Các hệ số tương quan cặp xem hệ số tương 31 quan riêng phần bậc 3.13 Kiểm định giả thiết khoảng tin cậy hệ số hồi quy riêng – kiểm định T Đối với β j ( j = ÷ k ) Ước lượng khoảng tin cậy Kiểm định giả thiết Đối với σ Ước lượng khoảng tin cậy Kiểm định giả thiết 32 Ước lượng khoảng tin cậy β j ( j = 1÷ k) ˆ βj −βj • Ta có T = : T ( n−k ) với độ tin cậy (1 ˆ Se( β ) α) ta có j - Khoảng tin cậy đối xứng ˆ ˆ )T ( n−k ) < β < β + Se( β )T ( n−k )  = − α ˆ ˆ P  β j − Se( β j α  j j j α  2  - Khoảng tin cậy bên phải dùng để ước lượng giá trị tối thiểu ˆ ˆ P  β j > β j − Se( β j )Tα( n−k )  = − α   - Khoảng tin cậy bên trái dùng để ước lượng giá trị tối đa: ˆ ˆ P  β j < β j + Se( β j )Tα( n−k )  = − α   33 Kiểm định giả thiết β j ( j =1ữ k) ã Kim nh cỏc cp gi thit H0 : β j = β * j  (1),  *  H1 : β j ≠ β j  H0 : β j = β * H0 : β j = β * j j   (2),  (3)  * *  H1 : β j > β j  H1 : β j < β j   ˆ β j − β* j T = • Tiêu chuẩn kiểm định ˆ Se( β j ) • Miền bác bỏ giả thiết H0 với mức ý nghĩa α cho trước cặp giả thiết   Wα = T : T > Tα( n−k )  - Với cặp giả thiết (1)   - Với cặp giả thiết (2) Wα = { T : T > Tα( n−k ) } - Với cặp giả thiết (3) Wα = { T : T < −Tα( n−k ) } 34 • Trường hợp đặc biệt H0 : β j =  (1),   H1 : β j ≠  H0 : β j =  (2),   H1 : β j >  H0 : β j =  (3)   H1 : β j <  • Có thể sử dụng phương pháp kiểm định giá trị Pvalue (P-value mức xác suất nhỏ để bác bỏ giả thiết H0), thường ký hiệu P • Quy tắc kết luận với mức ý nghĩa α cho trước sau: - Với cặp giả thiết (1) + Nếu α > P bác bỏ giả thiết H0 + Nếu α < P khơng có sở bác bỏ giả thiết H0 - Với cặp giả thiết (2) (3) + Nếu α > P/2 bác bỏ giả thiết H0 35 + Nếu α < P/2 khơng có ơở bác bỏ giả thiết H0 Ước lượng khoảng tin cậy σ2 ˆ (n − k )σ χ = : χ (n − k ) σ2 • Ta có với độ tin cậy (1 - α) ta có - Khoảng tin cậy đối xứng:   2 ˆ ˆ (n − k )σ   (n − k )σ P  = 1−α χα ( n − k )   - Khoảng tin cậy bên trai dùng để ước lượng tối đa:  (n − k )σ  ˆ P σ <  = 1−α χ1−α (n − k )   36 Kiểm định giả thiết σ • Kiểm định cặp giả thiết H0 :σ = σ  (1),  2  H1 : σ ≠ σ  H0 :σ = σ  (2),  2  H1 : σ > σ   H : σ = σ 02  (3)  2  H1 : σ < σ  ˆ (n − k )σ χ = σ0 • Tiêu chuẩn kiểm định • Miền bác bỏ giả thiết H0 với mức ý nghĩa α cho trước cặp giả thiết   χ > χ α (n − k )     - Với cặp giả thiết (1) Wα =  χ :     χ < χ1− α (n − k )     - Với cặp giả thiết (2) Wα = { χ : χ > χ α (n − k )} - Với cặp giả thiết (3) Wα = { χ : χ < χ12−α (n − k )} 37 3.14 Kiểm định phù hợp hàm hồi quy • R2tổng thể = : hàm hồi qui không phù hợp • Kiểm định cặp giả thiết H0 : R2 =  H : β = β = = β k =  ⇔  H1 : ∃! β j ≠  H1 : R >   • Ta có R /(k − 1) F= : F (k − 1, n − k ) (1 − R ) /(n − k ) • Miền bác bỏ giả thiết H0 với mức ý nghĩa α cho trước Wα = { F : F > Fα (k − 1, n − k )} • Sử dụng giá trị P-value + Nếu α > P bác bỏ giả thiết H0 + Nếu α < P khơng có ơở bác bỏ giả thiết H0 38 3.15 Hồi quy có điều kiện ràng buộc – Kiểm định F • Xét mơ hình k biến, ký hiệu UR (Unrestricted Model) Yi = β1 + β X 2i + β X 3i + + β m X mi + β m+1 X m+1i + + β k X ki + U i • Nếu có sở cho số biến mơ hình khơng cần thiết, chẳng hạn: Xm+1, Xm+2,…,Xk Khi ta kiểm định cặp giả thiết:  H : β m+1 = β m+2 = = β k =   H1 : ∃! β j ≠ 0( j = (m + 1) ữ k ) ã Nu giả thiết H0 mơ hình trở thành mơ hình R (Restricted Model) – mơ hình m biến Yi = β1 + β X 2i + β X 3i + + β m X mi + U i 39 • Thủ tục kiểm định - Bước 1: Lần lượt hồi quy mơ hình UR R tìm RSSUR , R2UR RSSR , R2R - Bước 2: Sử dụng tiêu chuẩn kiểm định: ( RSS R − RSSUR ) /(k − m)  : F ( k − m, n − k ) F = ( RSSUR ) /( n − k )  2  ( RUR − RR ) /(k − m) : F (k − m, n − k )(*) F = (1 − RUR ) /(n − k )  Chú ý: Công thức (*) áp dụng biến phụ thuộc hai mô hình (UR) (R) - Miền bác bỏ với mức ý nghĩa α cho trước Wα = { F : F > Fα (k − m, n − k )} 40 • Xét mơ hình Yi = β1 + β X 2i + β X 3i + U i (UR) • Khi muốn kiểm định tổ hợp tuyến tính hệ số hồi quy:  H : a β = bβ  H : a β − bβ = ⇔   H1 : a β ≠ b β  H1 : a β − b β ≠ • Ta có hai cách để kiểm định - Cách 1: Sử dụng kiểm định T - Cách 2: Sử dụng kiểm F thu hẹp hàm hồi quy 44 • Kiểm định T – Tiêu chuẩn kiểm định ˆ ˆ a β − bβ3 T= : T ( n−3) ˆ ˆ Se(a β − bβ3 ) ˆ ˆ ˆ ˆ ˆ ˆ Var (a β − bβ3 ) = Var (a β ) − 2Cov(a β , bβ3 ) + Var (bβ ) ˆ ˆ ˆ ˆ = a 2Var ( β ) − 2abCov ( β , β3 ) + b 2Var ( β3 ) ˆ ˆ ˆ ˆ ˆ ˆ ⇒ Se(a β − bβ3 ) = a 2Var ( β ) − 2abCov( β , β3 ) + b 2Var ( β3 ) – Miền bác bỏ với mức ý nghĩa α cho trước xác định sau:  ( n −3)  Wα = T : T > Tα    45 • Kiểm định F thu hẹp hàm hồi quy Yi = β1 + β X 2i + β X 3i + U i (UR) • Nếu giả thiết H0 thay β3 = aβ2/b mơ hình trở thành: a Yi = β1 + β ( X 2i + X 3i ) + U i b • Đặt Xi = X2i + aX3i/b ta có: Yi = β1 + β X i + U i ( R) 46 3.16 Dự báo • Xét mơ hình k biến Yi = β1 + β2 X 2i + β3 X 3i + + βk X ki + U i • Sử dụng SRF ước lượng để dự báo biến phụ thuộc - Dự báo giá trị trung bình biến phụ thuộc (biết X0T = (1, X02, X03,…,X0k) cần dự báo giá trị E(Y/X0)) - Dự báo giá trị cá biệt biến phụ thuộc (biết X0T = (1, X02, X03,…,X0k) cần dự báo giá trị (Y0 = Y/X0)) 47 Dự báo giá trị trung bình biến phụ thuộc • SRF cho ta ước lượng điểm E(Y/X0) mẫu ˆ ˆ Y0 = β T X • Để dự báo E(Y/X0) cho tổng thể ta ƯL khoảng tin cậy • Ta có ˆ Y0 − E (Y / X ) T= : T ( n−k ) ˆ Se(Y0 ) T ˆ ˆ Se(Y0 ) = σ X ( X T X ) −1 X • Do với độ tin cậy (1-α) cho trước ˆ ˆ ( ˆ ˆ ( Y0 − Se(Y0 )Tα n−k ) < E (Y / X ) < Y0 + Se(Y0 )Tα n−k ) 2 ˆ ˆ E (Y / X ) > Y0 − Se(Y0 )Tα( n−k ) ˆ ˆ E (Y / X ) < Y + Se(Y )T ( n−k ) 0 α 48 Dự báo giá trị cá biệt biến phụ thuộc • SRF cho ta ước lượng điểm Y0 = (Y/X0) mẫu ˆ ˆ Y0 = β T X • Để dự báo Y0 tổng thể ta ƯL khoảng tin cậy • Ta có ˆ Y0 −Y0 T = : T ( n−k ) ˆ Se(Y0 −Y0 ) T ˆ ˆ Se(Y0 ) =σ + X ( X T X ) −1 X • Do với độ tin cậy (1-α) cho trước ( ( ˆ ˆ ˆ ˆ Y0 − Se(Y0 − Y0 )Tα n−k ) < Y0 < Y0 + Se(Y0 − Y0 )Tα n−k ) ˆ ˆ Y0 > Y0 − Se(Y0 − Y0 )Tα( n−k ) ˆ ˆ Y0 < Y0 + Se(Y0 − Y0 )Tα( n−k ) 49 3.17 Thí dụ • Thí dụ 3.1 – trang 55 • Thí dụ 3.3 – trang 70 50 3.18 Một số dạng hàm hồi quy • • • • • • • Hàm tổng chi phí Hàm tăng trưởng Hàm sản xuất Cobb – Douglas Hàm tuyến tính – loga Hàm loga – tuyến tính Hàm dạng Hypecbpl Hàm xu hàm có biến trễ 51 Hàm tổng chi phí • Dạng hàm TCi = β1 + β 2Qi + β3Qi2 + β 4Qi3 + U i ( β1 > 0, β > 0, β3 < 0, β > 0) • Biến đổi Q2i = Qi2 , Q3i = Qi3 ⇒ TCi = β1 + β 2Qi + β3Q2i + β 4Q3i + U i 52 Hàm tăng trưởng • Dạng hàm Yt = Y0 (1 + r )t Trong đó: r tốc độ tăng trưởng • Biến đổi ln Yt = ln Y0 + t ln(1 + r ) β1 = ln Y0 , β = ln(1 + r ) ⇒ ln Yt = β1 + β 2t 53 Hàm sản xuất Cobb – Douglas • Dạng hàm β2 i β3 U i i Qi = β1 K L e Trong β2, β3 hệ số co giãn Q theo K, L • Biến đổi ln Qi = ln β1 + β ln K i + β ln Li + U i LQi = ln Qi , β = ln β1 , LK i = ln K i , LLi = ln Li * ⇒ LQi = β1* + β LK i + β LLi + U i 54 Hàm tuyến tính – loga • Dạng hàm • Biến đổi Yi = β1 + β ln X i + U i X = ln X i * i ⇒ Yi = β1 + β X + U i * i • Ý nghĩa: X tăng 1% Y tăng β2 đơn vị (?) 55 Hàm loga - tuyến tính • Dạng hàm • Biến đổi ln Yi = β1 + β X i + U i Yi = ln Yi * ⇒ Yi = β1 + β X i + U i * • Ý nghĩa: X tăng đơn vị Y tăng β2 % (?) 56 Hàm dạng Hypecbol • Mơ hình chi phí trung bình phụ thuộc vào sản lượng: Yi = β1 + β2 +U i ( β1 , β2 > 0) Xi • Mơ hình chi tiêu phụ thuộc vào thu nhập (đường cong Engel): Yi = β1 + β Xi + U i ( β1 > 0, β < 0) • Mơ hình lạm phát phụ thuộc vào tỷ lệ thất nghiệp (đường cong Philips): • Biến đổi Yi = β1 + β + U i ( β1 < 0, β > 0) Xi X = ⇒ Yi = β1 + β X i* + U i Xi * i 57 Hàm xu hàm có biến trễ • Mơ hình hàm xu Yt = β1 + β X t + β 3T + U t T biến xu thời gian (Trend) • Mơ hình có biến độc lập trễ Yt = β1 + β X t + β X t −1 + U t • Mơ hình có biến phụ thuộc trễ (mơ hình tự hồi quy) Yt = β1 + β X t + β 3Yt −1 + U t 58 ... mơ hình R (Restricted Model) – mơ hình m biến Yi = β1 + β X 2i + β X 3i + + β m X mi + U i 39 • Thủ tục kiểm định - Bước 1: Lần lượt hồi quy mô hình UR R tìm RSSUR , R2UR RSSR , R2R - Bước 2: ... thay ? ?2 = β3 mơ hình trở thành: Yi = β1 + β ( X 2i + X 3i ) + U i + Đặt Xi = X2i + X3i ta có: Yi = β1 + β X i + U i ( R) 41 • Một số trường hợp quy kiểm định thu hẹp hồi quy Yi = β1 + β X 2i +... giả thiết H0 thay β3 = ? ?2/ 2 mơ hình trở thành: Yi = β1 + β ( X 2i + X 3i ) + U i + Đặt Xi = X2i + X3i /2 ta có: Yi = β1 + β X i + U i ( R) 43 • Xét mơ hình Yi = β1 + β X 2i + β X 3i + U i (UR)

Ngày đăng: 01/07/2015, 13:45

TỪ KHÓA LIÊN QUAN

w