Báo cáo kinh tế lượng phân tích những số liệu thống kê nằm trong bộ số liệu số 26 và bộ số liệu số 81 về tỉ lệ phạm tội cũng như tỉ lệ hút thuốc lá trung bình của con người

BÁO CÁO KINH TẾ LƯỢNG TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG KHOA KINH TẾ VÀ KINH DOANH QUỐC TẾ -*** - BÁO CÁO KINH TẾ LƯỢNG NHÓM 2- THỰC HIỆN NGHIÊN CỨU BỘ DỮ LIỆU SỐ 26– 81 GIÁO VIÊN HƯỚNG DẪN: TS ĐINH THỊ THANH BÌNH DANH SÁCH THÀNH VIÊN: Hà Nội, tháng 04 năm 2014 NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Mục lục NHÓM SỐ 2 BÁO CÁO KINH TẾ LƯỢNG Lời mở đầu Trong bối cảnh xã hội ngày phát triển, kinh tế lượng môn khoa học có nhiều ứng dụng thực tế, đặc biệt vấn đề liên quan đến kinh tế Kinh tế lượng cung cấp công cụ đắc lực giúp nhà kinh tế học phân tích số liệu thống kê thu thập từ đưa dự báo tượng kinh tế Xét phạm vi trường đại học thuộc khối ngành kinh tế, môn kinh tế lượng trở thành số môn quan trọng cung cấp kiến thức lý thuyết thực hành giúp cho sinh viên học tập nghiên cứu chuyên ngành Là sinh viên khối ngành kinh tế, chúng em ý thức rõ cần thiết việc học tập nghiên cứu môn kinh tế lượng Để hiểu rõ hơn, nhóm chúng em xin xây dựng Báo cáo kinh tế lượng phân tích số liệu thống kê nằm số liệu số 26 số liệu số 81 tỉ lệ phạm tội tỉ lệ hút thuốc trung bình người nhằm đưa phân tích dự báo yếu tố ảnh hưởng đến hai vấn đề kinh tế Nhóm chúng em gồm thành viên: Mã số sinh viên Đóng góp (%) Mai Thị Tú Anh 1212210017 1211110033 20 20 Đàm Thái Anh 1213330002 20 Vũ Phương Anh 1211330089 20 Đặng Ngọc Ánh 1213320016 20 STT Họ tên Trần Nguyễn Tuấn Anh (nhóm trưởng) Chúng em xin chân thành cảm ơn giảng viên hướng dẫn - tiến sĩ Đinh Thị Thanh Bình giúp đỡ chúng em thực báo cáo Trong trình làm tiểu luận, dù cố gắng chắn không tránh khỏi sai sót, kính mong cô góp ý để nhóm chúng em hoàn thiện báo cáo NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG A Bộ số liệu số 26 Mô hình lý thuyết I Vấn đề nghiên cứu mô hình lý thuyết: Trong bối cảnh xã hội ngày phát triển với tốc độ đô thị hóa cao việc đất nước mạnh dạn mở cửa để tiếp thu với văn hóa khác tình trạng vi phạm pháp luật ngày trở thành vấn đề đáng lo ngại Có nhiều yếu tố tác động đến tỉ lệ phạm tội khu vực Trong số liệu số 26, nhóm chọn biến để nghiên cứu Mô tả liệu file CRIME3.DTA từ phần mềm Stata, ta thu kết sau: des crime district clrprc1 clrprc2 clcrime cavgclr storage variable name type display format crime district clrprc1 clrprc2 clcrime cavgclr %9.0g %9.0g %9.0g %9.0g %9.0g %9.0g float byte byte byte float float value label variable label crimes per 1000 people district number clear-up perc, prior year clear-up perc, two-years prior change in lcrime change in avgclr Các biến mô tả chi tiết bảng sau: Tên biến Crime District clrprc1 clrprc2 clcrime cavgclr Dạng liệu Float Byte Byte Byte Float Float Đơn vị % đơn vị đơn vị đơn vị % % Ý nghĩa biến Tỉ lệ phạm tội Số quận khảo sát Tỉ lệ phá án thành công năm trước Tỉ lệ phá án thành công hai năm trước Sự thay đổi tỉ lệ phạm tội Sự thay đổi trung bình tỉ lệ phá án NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Bảng 1: Định dạng ý nghĩa biến Tiếp tục sử dụng lệnh sum để miêu tả liệu Lệnh sum cho biết số lượng quan sát (Obs), giá trị trung bình (mean), độ lệch chuẩn (std dev.) giá trị lớn (max) nhỏ (min) biến sum crime district clrprc1 clrprc2 clcrime cavgclr Variable Obs Mean crime district clrprc1 clrprc2 clcrime 106 106 106 106 53 17.51538 27 40.60377 41.36792 2336373 cavgclr 53 -8.066038 Std Dev Min Max 11.07309 15.36973 12.81865 12.83917 3762207 1.65 15 17 -.6719313 71.32 53 78 77 1.357084 9.444696 -38.5 10.5 Có thể nhận thấy tỉ lệ phạm tội có chênh lệch lớn mức cao mức thấp nhất, lên tới xấp xỉ 70 lần, cao hẳn so với biến lại Mục đích lý lựa chọn biến: Mục đích việc lựa chọn mô hình nhằm tìm hiểu tác động khả giải vụ án năm trước, thời gian, khu vực địa lýđối với tỉ lệ phạm tội NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Mối quan hệ biến độc lập với biến phụ thuộc: Mối quan hệ crime district Mối quan hệ crime clrprc1 NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Mối quan hệ crime clrprc2 Mối quan hệ crime clcrime NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Mối quan hệ crime avgclr Phân tích hồi quy II Thiết lập mô hình tổng quát a Mô hình tổng quát Hàm hồi quy tổng thể biểu diễn mối quan hệ biến phụ thuộc tỉ lệ phạm tộicrime với biến độc lập district, clrprc1, clrprc2, clcrime, cavgclr có dạng: b Giải thích biến Các biến giải thích Bảng đây: Loại biến Biến phụ thuộc(Y) Các biến độc lập Tên biến crime district Ý nghĩa Dấu kì vọng Diễn giải + Tùy khu vực có tỉ lệ phạm tội Tỉ lệ phạm tội 1000 người Các khu vực khảo sát khác NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Tỉ lệ phá án thành công clrprc1 clrprc2 năm trước, so Tỉ lệ phá án thành công năm - với thời điểm khảo sát năm cao Tỉ lệ phá án thành công Tỉ lệ phá án thành công hai năm hai năm trước, so - với thời điểm khảo sát (Xi) clcrime cavgclr trước thấp tỉ lệ phạm tội Sự thay đổi tỉ lệ phạm tội trước thấp tỉ lệ phạm tội năm cao + Sự thay đổi tỉ lệ phạm tội lớn tỉ lệ phạm tội cao Sự thay đổi trung Sự thay đổi trung bình cộng bình cộng phần trăm vụ án giải phần trăm vụ án giải năm trước - năm trước năm trước thấp tỉ lệ phạm tội năm truóc năm cao Bảng 2: Giải thích biến Lập bảng tương quan Chạy lệnh corr để biểu diễn quan hệ tương quan biến, nhóm thu kết sau: corr crime district clrprc1 clrprc2 clcrime cavgclr (obs=53) crime district crime district clrprc1 clrprc2 clcrime cavgclr 1.0000 -0.4057 -0.6020 -0.5968 0.1876 0.1016 1.0000 0.4422 0.3586 -0.1100 -0.1092 clrprc1 clrprc2 clcrime cavgclr 1.0000 0.6443 -0.1971 0.2087 1.0000 -0.3272 0.2098 1.0000 -0.4180 1.0000 NHÓM SỐ BÁO CÁO KINH TẾ LƯỢNG Nhìn chung biến độc lập có tương quan với biến phụ thuộc không cao, đặc biệt hai biến clrprc1và clrprc2 có hệ số tương quan thấp (-0.6020 -0.5968) biến clcrime cavgclr có hệ số tương quan dương, cho thấy tác động chiều lên biến phụ thuộc biến district, clrprc1 clrprc2 có hệ số tương quan âm, cho thấy tác động ngược chiều biến phụ thuộc Mối quan hệ tương quan biến độc lập với không cao, hệ số tương quan cao 0.4422, biến district clrprc2 Do hệ số tương quan có độ lớn vượt 0.8 nên dự đoán mô hình không xảy tượng đa cộng tuyến hồi quy Chạy mô hình hồi quy Chạy mô hình hồi quy biến phụ thuộc biến độc lập, ta thu kết sau: reg crime district clrprc1 clrprc2 clcrime cavgclr Source SS df MS Model Residual 4125.50252 3819.7885 47 825.100503 81.2720957 Total 7945.29101 52 152.794058 crime Coef district clrprc1 clrprc2 clcrime cavgclr _cons -.0512635 -.4141517 -.3824153 3.73996 3878464 52.60476 Std Err .0940661 150318 1515184 3.824927 1525202 5.321782 t -0.54 -2.76 -2.52 0.98 2.54 9.88 Number of obs F( 5, 47) Prob > F R-squared Adj R-squared Root MSE P>|t| 0.588 0.008 0.015 0.333 0.014 0.000 = = = = = = 53 10.15 0.0000 0.5192 0.4681 9.0151 [95% Conf Interval] -.2405 -.7165526 -.6872309 -3.9548 0810153 41.89872 1379731 -.1117509 -.0775997 11.43472 6946776 63.31081 NHÓM SỐ 10 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Mối quan hệ biến độc lập với biến phụ thuộc: Mối quan hệ cigs income Mối quan hệ cigs age NHÓM SỐ 22 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Mối quan hệ cigs cigpric Mối quan hệ cigs educ NHÓM SỐ 23 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Mối quan hệ cigs restaurn II Phân tích hồi quy Thiết lập mô hình tổng quát a Mô hình tổng quát Hàm hồi quy tổng thể biểu diễn mối quan hệ biến phụ thuộc thu nhập hàng tháng cigsvới biến độc lập income, age, cigpric, educ, restaurncó dạng: b Giải thích biến Các biến giải thích Bảng đây: Loại biến Biến phụ thuộc(Y) Các biến độc lập (Xi) Bảng 2: Giải thích biến NHÓM SỐ 24 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Lập bảng tương quan Chạy lệnh corr để biểu diễn quan hệ tương quan biến, nhóm thu kết sau: corr cigs income educ cigpric restaurn age (obs=807) cigs income educ cigpric restaurn age cigs income educ 1.0000 0.0532 -0.0487 -0.0114 -0.0871 -0.0415 1.0000 0.3344 0.0480 0.1060 -0.0640 1.0000 0.0310 0.0605 -0.1806 cigpric restaurn 1.0000 0.1392 0.0293 1.0000 -0.0389 age 1.0000 Từ bảng tương quan thấy, mức độ tương quan với biến phụ thuộc biến độc lập không cao Ngoại trừ biến income có hệ số tương quan dương thể tác động chiều lên biến phụ thuộc, biến độc lập lại có hệ số tương quan âm, cho thấy tác động ngược chiều lên biến phụ thuộc Mối quan hệ tương quan biến độc lập với không cao, hệ số tương quan cao 0.3344 biến income educ Do hệ số tương quan có độ lớn vượt 0.8 nên nhóm em dự đoán mô hình không xảy tượng đa cộng tuyến hồi quy Chạy mô hình hồi quy Dùng lệnh reg để chạy mô hình hồi quy biến phụ thuộc biến độc lập, ta thu kết sau: NHÓM SỐ 25 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH reg cigs educ cigpric age income restaurn Source SS df MS Model Residual 2888.63535 148865.047 801 577.72707 185.848998 Total 151753.683 806 188.280003 cigs Coef educ cigpric age income restaurn _cons -.3680468 0046741 -.0438986 0001306 -2.982192 13.01946 Std Err .169172 1024819 028707 000056 1.130995 6.551227 Number of obs F( 5, 801) Prob > F R-squared Adj R-squared Root MSE t P>|t| -2.18 0.05 -1.53 2.33 -2.64 1.99 0.030 0.964 0.127 0.020 0.009 0.047 = = = = = = 807 3.11 0.0087 0.0190 0.0129 13.633 [95% Conf Interval] -.7001196 -.1964908 -.1002484 0000207 -5.202256 1598616 -.0359739 2058389 0124512 0002405 -.7621274 25.87906 Phương trình hồi quy Từ kết chạy hồi quy, nhóm tóm tắt giá trị thu đượcở bảng Hệ số Biến Educ Cigpric Age Income Restaurn Giá trị Thống kê t 13.0194600 1.99 -0.3680468 -2.18 0.0046741 0.05 -0.0438986 -1.53 0.0001306 2.33 -2.9821920 -2.64 Bảng 3: Kết hồi quy p-value 0.030 0.964 0.127 0.020 0.009 0.047 Từ bảng ta có phương trình hồi quy: Cigs = 13.01946 - 0.3680468educ + 0.0046741cigpric - 0.0438986age + 0.0001306income - 2.982192restaurn Phân tích kết hồi quy - Số quan sát đưa vào phân tích obs = 807 NHÓM SỐ 26 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH - Phần tổng bình phương độ lệch giá trị quan sát Yi với giá trị trung bình TSS=151753.683 - Phần tổng bình phương giải thích mô hình (biến giải thích) ESS=2888.63535 - Phần tổng bình phương không giải thích (phần dư) RSS=148865.047 - Độ lệch bình phương bình quân (phương sai) phận MSm=577.72707và MSr=185.280003 - Sai số chuẩn ước lượng RMSE=13.633, nhỏ độ lệch chuẩn biến phụ thuộc SD = = = 13.7215 Vậy ước lượng hồi quy chấp nhận - Mức độ phù hợp mô hình so với thực tế R = 1.9% cho thấy biến độc lập giải thích 1.9% thay đổi biến phụ thuộc - Ý nghĩa tham số mô hình: * �0= 13.01946 có nghĩa điều kiện yếu tố khác không đổi giá trị biến độc lập số điếu thuốc hút trng bình ngày 13.01946 * �1=-0.3680468 có nghĩa điều kiện yếu tố khác không đổi, số năm học người hút thuốc tăng lên năm số điếu thuốc hút trung bình môt ngày giảm 0.3680468 điếu * �2 có p-value=0.964> 0.05 nên ý nghĩa thống kê, giá thuốc nơi người hút sinh sống tác động đến số điếu thuốc trung bình hút ngày * �3 có p-value=0.127 ý nghĩa thống kê, tuổi người hút thuốc tác động đến số điếu thuốc hút trung bình ngày NHÓM SỐ 27 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH * �4= 0.0001306 có ý nghĩa thống kê, điều kiện yếu tố khác không đổi, thu nhập tăng thêm đơn vị số điếu thuốc trung bình ngày tăng 0.0001306 điếu * �5= -2.982192 có ý nghĩa thống kê, điều kiện yếu tố khác không đổi, nơi nghỉ ngơi người hút có cấm hút số điếu thuốc hút trung bình ngày giảm 2.982192 điếu III Kiểm định mô hình Ý nghĩa hệ số hồi quy: Giả thuyết: Sử dụng giá trị tới hạn: Ta có: * �1 ⇒ Bác bỏ H0 với mức ý nghĩa 5% * �2 ⇒ Chấp nhận H0 với mức ý nghĩa 5% * �3 ⇒ Chấp nhận H0 với mức ý nghĩa 5% * �4 ⇒ Bác bỏ H0 với mức ý nghĩa 5% NHÓM SỐ 28 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH * �5 ⇒ Bác bỏ H0 với mức ý nghĩa 5% Kết luận: Vậy hệ số góc hồi quy, với mức ý nghĩa 5%, có hệ số�2 �3 ý nghĩa thống kê Kiểm định phù hợp mô hình: Kiểm định nhằm xem xét trường hợp tham số biến độc lập đồng thời xảy hay không Cặp giả thuyết thống kê sau: (Với k số biến độc lập, n số quan sát) Ta thấy NHÓM SỐ 29 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH ⇒ Bác bỏ giả thiết H0 ⇒ Mô hình hồi quy phù hợp mức ý nghĩa 5% Kiểm định cách khắc phục khuyết tật mô hình: a Bệnh đa cộng tuyến: Đa cộng tuyến tượng biến độc lập mô hình hồi quy đa biến có mối quan hệ tuyến tính “mạnh” với Nguyên nhân xảy đa cộng tuyến chủ yếu do:  Bản chất kinh tế xã hội tượng  Chọn biến độc lập không hợp lý  Vấn đề mẫu hồi quy Do vậy, khảo sát mô hình có bị đa cộng tuyến hay không Cách 1: Tính hệ số tương quan r biến Nếu biến giải thích có tương quan cao với (r > 0.8) xảy đa cộng tuyến Sử dụng lệnh Corr stata cho kết sau: Từ kết trên, ta thấy hệ số tương quan biến giải thích tương đối thấp nhỏ 0.8 Do có thể kết luận mô hình không mắc bệnh đa cộng tuyến Cách 2: Sử dụng thừa số tăng phương sai VIF Nếu xảy tượng đa cộng tuyến NHÓM SỐ 30 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Sử dụng lệnh vif phần mềm stata, ta có kết sau: Tất giá trị VIFchi2] , bác bỏ giả thiết H0 chấp nhận giả thiết H1 Ta thực kiểm định White: NHÓM SỐ 32 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(19) Prob > chi2 = = 38.00 0.0059 Cameron & Trivedi's decomposition of IM-test Source chi2 df p Heteroskedasticity Skewness Kurtosis 38.00 57.26 8.24 19 0.0059 0.0000 0.0041 Total 103.51 25 0.0000 Kết kiểm định lệnh imtest, white cho thấy Prob>chi2 = 0.0059 < 0.05 Do từ kiểm định có sở kết luận mô hình mắc lỗi phương sai sai số thay đổi c Kiểm định phân phối chuẩn sai số Trong giả định mô hình hồi quy tuyến tính, có giả định quan trọng ui ~ U(0;σ2) Tuy nhiên thực tế có nhiều nhân tố ảnh hưởng tới phân phối ui, làm cho không phân phối chuẩn Phân phối không chuẩn khiến cho kiểm định suy diễn thống kê không đáng tin cậy Bây ta kiểm định xem mô hình có gặp phải vấn đề phân phối không chuẩn (đối với u biến phụ thuộc) hay không NHÓM SỐ 33 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Cách 1:Sử dụng đồ thị: Sử dụng Stata vẽ đồ thị phân phối phần dư mô hình: 02 Density 04 06 Kernel density estimate -20 20 Residuals 40 60 80 Kernel density estimate Normal density kernel = epanechnikov, bandwidth = 3.0704 Nhìn đồ thị có thể thấy phân phối phần dư bị chệch so với phân phối chuẩn Như có sở để kết luận mô hình mắc phải vấn đề phân phối không chuẩn Cách 2:Kiểm định Skewness-Kurtosis: Cặp giả thiết: Sử dụng lệnh sktest Stata để kiểm định: NHÓM SỐ 34 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH sktest r Skewness/Kurtosis tests for Normality Variable Obs Pr(Skewness) restaurn 807 0.0000 joint Pr(Kurtosis) adj chi2(2) Prob>chi2 0.0000 0.0000 Ta thấy p-value = 0.0000 < 0,05 ⇒ bác bỏ H0 ⇒ suy có sở phần dư phân phối không chuẩn Như kiểm định cho thấy có dấu hiệu phần dư phân phối không chuẩn mô hình IV Sửa lỗi mô hình Mô hình bị phương sai sai sô thay đổi, để sửa lại, ta sử dụng lệnh sau phần mềm Stata: reg cigs educ cigpric age income restaurn, robust Linear regression Number of obs F( 5, 801) Prob > F R-squared Root MSE cigs Coef educ cigpric age income restaurn _cons -.3680468 0046741 -.0438986 0001306 -2.982192 13.01946 Robust Std Err .1647903 1074171 0235419 0000537 1.045631 6.985614 t -2.23 0.04 -1.86 2.43 -2.85 1.86 P>|t| 0.026 0.965 0.063 0.015 0.004 0.063 = = = = = 807 3.55 0.0035 0.0190 13.633 [95% Conf Interval] -.6915185 -.2061783 -.0901098 0000252 -5.034693 -.6928091 -.044575 2155264 0023126 000236 -.929691 26.73173 NHÓM SỐ 35 BÁO CÁO KINH TẾ LƯỢNG GVHD: TS ĐINH THỊ THANH BÌNH Từ việc kiểm định trên, ta thấy có biến cigpric, age ý nghĩa thống kê mô hình Ta tiến hành chạy lại mô hình sau: reg cigs educ income restaurn Source SS df MS Model Residual 2453.99514 149299.688 803 817.99838 185.927382 Total 151753.683 806 188.280003 cigs Coef educ income restaurn _cons -.3243288 0001308 -2.926764 10.92859 Std Err .1667578 000056 1.12031 2.056444 t -1.94 2.34 -2.61 5.31 Number of obs F( 3, 803) Prob > F R-squared Adj R-squared Root MSE P>|t| 0.052 0.020 0.009 0.000 = = = = = = 807 4.40 0.0044 0.0162 0.0125 13.636 [95% Conf Interval] -.6516614 0000209 -5.125846 6.891949 0030037 0002406 -.7276817 14.96523 Cigs = 10.92859 – 0.3243288*educ + 0.0001308*income – 2.926764*restaurn KẾT LUẬN Như nhóm chúng em hoàn thành xong mô hình kinh tế lượng yếu tố ảnh hưởng đến số điếu thuốc người hút trung bình ngày Mô hình lượng hóa cho yếu tố để có biện pháp, chiến lược giảm tỉ lệ xuống thấp cách hiệu Ngoài ra, nhiều yếu tố ảnh hưởng đến biến phụ thuộc nghiên cứu chưa đưa vào mô chủng tộc, … cần xem xét để có báo cáo với kết xác NHÓM SỐ 36