chuong 9 chon mo hinh va kiem dinh chon mo hinh

Chọn mô hình- Tiết kiệm : Mô hình đơn giản nhưng phải chứa các biến chủ yếu ảnh hưởng đến biến phụ thuộc nhằm giải thích bản chất của vấn đề nghiên cứu.. •Đưa vào mô hình những biến khôn

CHƯƠNG 9

CHỌN MÔ HÌNH VÀ KIỂM ĐỊNH CHỌN

MÔ HÌNH

1 Biết cách tiếp cận để lựa

Kiểm định việc chọn mô hình

Cách tiếp cận để lựa chọn mô hình

1 Chọn mô hình

- Tiết kiệm : Mô hình đơn giản nhưng phải chứa các biến chủ yếu ảnh hưởng đến biến phụ thuộc nhằm giải thích bản chất của vấn đề nghiên cứu.

- Tính đồng nhất : Với một tập dữ liệu đã cho, các tham số ước lượng phải duy nhất.

-Tính thích hợp (R 2 ): Mô hình có R 2 ( hoặc

càng gần 1 được coi càng thích hợp.

- Tính bền vững về mặt lý thuyết : mô hình phải phù hợp với lý thuyết nền tảng.

- Khả năng dự báo cao

Chọn mô hình và kiểm định chọn mô hình

2

R

•Đưa vào mô hình những biến không phù

hợp:

các ước lượng thu được từ mô hình thừa

biến không hiệu quả, khoảng tin cậy rộng.

2 Các sai lầm khi chọn mô hình- Hậu quả

•Lựa chọn mô hình không chính xác:

i.Ước lượng chệch các hệ số hồi quy,

thậm chí dấu của hệ số hồi quy có thể

sai.

ii.Có ít hệ số hồi quy ước lượng được có

ý nghĩa thống kê

iv.Phần dư các quan sát lớn và biểu thị

sự biến thiên có tính hệ thống.

2 Các sai lầm khi chọn mô hình- Hậu quả

Cách tiếp cận để lưa chọn mô hình

1 Xác định số biến độc lập: có hai hướng tiếp cận:

Từ đơn giản đến tổng quát: bổ sung biến độc lập từ từ

vào mô hình

Từ tổng quát đến đơn giản: Xét mô hình hồi quy có đầy

đủ các biến độc lập đã được xác định, sau đó loại trừ những biến không quan trọng ra khỏi mô hình

2 Kiểm định mô hình có vi phạm giả thiết như đa cộng

tuyến, phương sai thay đổi, tự tương quan Nếu mô

hình vi phạm thì cần có biện pháp khắc phục.

3 Chọn dạng hàm; dựa vào

Các lý thuyết kinh tế

Các kết quả nghiên cứu thực nghiệm

4 Sử dụng các tiêu chuẩn thông dụng để chọn mô

hình

Kiểm định việc chọn mô hình

a Kiểm định thừa biến (kiểm định Wald)

Xét hai mô hình:

U X

X X

X Y

U ) :  1  2 2   m1 m1  m m  k k  (

V X

X Y

R) :  1  2 2   m1 m1 

(U): mô hình không bị ràng buộc (Unrestricted

model)

(R): mô hình bị ràng buộc (Restricted model)

Điều kiện ràng buộc là các hệ số hồi quy của các

biến Xm , Xm+1 , Xk đồng thời bằng 0

a Kiểm định Wald Xây dựng giả thiết để kiểm định đk ràng buộc

0

H1: có ít nhất một khác 0 B1: Hồi quy mô hình (U) có k tham số, tính RSSU

) 1

(

) /(

)

( )

/(

) /(

)

(

2

2 2

k n

R

m k

R

R k

n RSS

m k

RSS

RSS F

U

R U

U

U R

B4: Tra bảng F với mức ý nghĩa α có giá

Quy tắc quyết định:

Nếu F> Fα (k-m, n-k): bác bỏ Ho, tức mô hình (U) không thừa biến

Nếu dùng kết quả p-value thì quy tắc

quyết định như sau:

•Nếu p ≤  : Bác bỏ H0

•Nếu p > : Chấp nhận H0

a Kiểm định Wald

Để kiểm định các biến giải thích bỏ sót, ta dùng kiểm định Reset của Ramsey, gồm các bước:

Bước 1 : Dùng OLS để ước lượng mô hình

i

Yˆ

i i

Y  1  2 2  3 ˆ2  4 ˆ3  

b Kiểm định bỏ sót biến giải thích

) 1

k n

R

m R

R F

Để kiểm định phân phối chuẩn của Ui, ta dùng kiểm định χ 2 , hay kiểm định Jarque-Bera:

Kiểm định giả thiết H0: ui có phân phối chuẩn

( 6

2

2 K

S n

u

i

SE n

u

i

SE n

u

u

K  



Nếu JB > χ 2 , Bác bỏ H0, ngược lại, chấp nhận H0

c Kiểm định giả thiết phân phối chuẩn của ui

Tiêu chuẩn lựa chọn mô hình

• R 2,

• Giá trị của hàm hợp lý log-likelihood (L),

• Tiêu chuẩn thông tin Akaike (AIC),

• Tiêu chuẩn thông tin Schwarz (SIC)

– Nó chỉ đo lường sự phù hợp “trong mẫu”

– Khi so sánh R 2 giữa các mô hình khác nhau, các biến phụ thuộc phải giống nhau.

– R 2 không giảm khi tăng thêm biến độc lập.

Tiêu chuẩn R2 điều chỉnh

(R2)

đối của giá trị t của biến được thêm vào mô hình lớn hơn 1

• Lưu ý, các biến phụ thuộc cũng phải giống

nhau

k n

n R

n TSS

k n

RSS R

(

1)

1/(

)

/(

2

Giá trị của hàm hợp lý log-likelihood (L)

• Giá trị L càng lớn chứng tỏ mô hình càng phù hợp

e n

RSS AIC  2 /

k AIC 2 lnln

Tiêu chuẩn thông tin Schwarz (SC)

• SC còn khắt khe hơn AIC

• SC càng nhỏ, mô hình càng tốt

hay

n k

n n

n

k

SC lnln

6 Các chỉ tiêu đánh giá mô hình dự báo

• Sai số dự báo

• Mẫu chia thành hai phần

Mẫu khởi động: gồm các quan sát t=1,2,3 S-1Mẫu kiểm tra: gồm các quan sát t=S, S+1,…S+h

t t

6.1 Trung bình sai số bình phương

Mean Squared Error

S t

t

e h

1 1

6.2 Căn bậc hai của trung bình sai số bình

phương

• Root Mean Squared Error

MSE RMSE 

6.3 Trung bình sai số tuyệt đối

• Mean Absolute Error

• Các chỉ tiêu MSE, RMSE, MAE phụ thuộc đơn

vị đo của biến dự báo

S t

t

e h

MAE

1 1

6.4 Trung bình của phần trăm sai số tuyệt đối

• Mean Absolute Percentage Error

MAPE

1 1

S t

t

h S

S t

h

Y h

RMSE TIC

1

t Y

Y h

Y

Y BP

1

ˆ

6.7 Tỷ lệ phương sai

• Variance Proportion: cho biết mức độ biến

thiên của giá trị dự báo khác mức độ biến

thiên của giá trị thiực tế

t t

Y Y

Y

Y h

S

S VP

2

2 ˆ

)

ˆ(1

)(

S t

t t

S t

t t

Y Y Y

h

S 1 ( )2

6.8 Tỷ lệ hiệp phương sai

• Covariance Proportion: cho biết tỷ lệ phần sai

số của dự báo không mang tính hệ thống

t t

Y Y Y

Y

Y

Y h

S S

r CP

2

ˆ ˆ

)

ˆ(1

)1

(2

Sử dụng Eviews, hãy kiểm định Wald để phát

hiện thừa biến

B1 Chạy mô hình U

B2 Chạy mô hình R

B3 Tính F

• B4 Tra bảng F (α, k-m, n-k) và quyết định bác bỏ

hoặc chấp nhận Ho.

Ho: Thừa biến

H1: Không thừa biến

) /(

) 1

(

) /(

)

( )

/(

) /(

)

(

2

2 2

k n

R

m k

R

R k

n RSS

m k

RSS

RSS F

U

R U

U

U R

Ví dụ 1

Giả sử mô hình hồi quy

B1: Chạy mô hình hồi quy mẫu

B2: Xác định hệ số hồi quy không có ý nghĩa

thống kê (có p>α) Lập giả thuyết Ho

B3: Chạy kiểm định Wald, xem giá trị F và p của F

để quyết định bác bỏ hay chấp nhận Ho

i i

i i

i X X Z u

Y 1  2 2  3 3  4 

B1: Chạy hồi quy

• Giả sử α=5%, ta thấy hệ số hồi quy của biến X3

và Z có p > α nên biến X3 và Z khác 0 không có

ý nghĩa

• B2: Chạy kiểm định Wald cho giả thiết

H0: β3=β4 =0 , ta có kết quả

• Ta có F= 0.082219, p=0.9215> α nên ta chấp

không cần thiết đưa vào mô hình

• Kết luận: Lượng hàng trung bình bán được của mặt hàng A chỉ phụ thuộc vào giá bán của mặt hàng A, không phụ thuộc vào giá bán mặt

hàng B và khu vực bán