2.3.3.1 Phương pháp so sánh số tuyệt đối
Là kết quả của phép trừ giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế.
∆y = -
- : chỉ tiêu năm trƣớc. - : chỉ tiêu năm sau.
- ∆y: phần chênh lệch tăng giảm của các chỉ tiêu kinh tế.
Phƣơng pháp này sử dụng để so sánh số liệu của năm sau so với năm trƣớc của chỉ tiêu xem có biến động không và tìm ra nguyên nhân biến động của các chỉ tiêu kinh tế. Từ đó có cách đánh giá chính xác các hoạt động phân tích (Mai Văn Nam, 2008).
2.3.3.2 Phương pháp so sánh số tương đối
Là kết quả của phép chia giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế.
∆y = ( - / ) * 100 - : chỉ tiêu năm trƣớc. - : chỉ tiêu năm sau.
- ∆y: biểu hiện tốc độ tăng trƣởng của các chỉ tiêu kinh tế.
Phƣơng pháp này nhằm làm rõ tình hình biến động của các chỉ tiêu trong thời gian nghiên cứu. Việc so sánh tốc độ tăng trƣởng của chỉ tiêu giữa các năm cho thấy đƣợc sự tác động có liên quan đến các hoạt động trong phân tích. Từ đó có sự nhận diện rõ các hoạt động trong nghiên cứu (Mai Văn Nam, 2008).
2.3.3.3 Phương pháp thống kê mô tả
Thống kê là tổng hợp các phƣơng pháp lý thuyết và ứng dụng vào lĩnh vực kinh tế bằng cách rút ra những kết luận dựa trên những số liệu và thông tin thu thập đƣợc.
Thống kê mô tả là một trong hai chức năng chính của thống kê (thống kê mô tả và thống kê ứng dụng). Thống kê mô tả là tập hợp tất cả các phƣơng pháp đo lƣờng, mô tả và trình bày số liệu.
23
Phƣơng pháp tần số: sử dụng bảng phân phối tần số là bảng tóm tắt dữ liệu đƣợc xếp thành từng yếu tố khác nhau, dựa trên những tần số xuất hiện của các đối tƣợng trong cơ sở dữ liệu để so sánh tỷ lệ, phản ánh số liệu.
Giá trị trung bình (Mean): bằng tổng tất cả các giá trị biến quan sát chia cho số quan sát.
Phƣơng sai: là trung bình giữa bình phƣơng các độ lệch giữa các biến và trung bình của các biến đó.
Độ lệch chuẩn là căn bậc hai của phƣơng sai (Mai Văn Nam, 2008).
2.3.3.4 Phương pháp kiểm định giả thiết
Kiểm định giả thiết là dựa vào các thông tin mẫu để đƣa ra kết luận bác bỏ hay chấp nhận về các giả thiết đó của thống kê. Tuy nhiên, chúng ta phải hiểu chấp nhận hay bác bỏ giả thiết phải hiểu theo nghĩa xác suất.
Có hai loại sai lầm trong kiểm định giả thiết:
Sai lầm loại 1: Giả thiết H0 đúng nhƣng qua kiểm định ta lại kết luận giả thiết sai, và do vậy bác bỏ giả thiết H0 ở mức ý nghĩa α nào đó. Có nghĩa là ta bác bỏ giả thiết đúng.
Sai lầm loại 2: Giả thiết H0 sai nhƣng qua kiểm định, ta lại kết luận giả thiết đúng, và do vậy chấp nhận giả thiết H0 ở mức ý nghĩa α nào đó. Có nghĩa là ta chấp nhận một giả thiết sai.
Tùy theo quan điểm và tính chất mà ngƣời ta cho sai lầm loại 1 hoặc loại 2 là nghiêm trọng hơn. Tuy nhiên, thông thƣờng thì ngƣời ta sẽ cho rằng sai lầm lại 1 là nghiêm trọng hơn mà thống kê cần tránh.
Quy trình tổng quát trong kiểm định giả thiết:
Bƣớc 1: Xây dựng giả thiết. Ta bắt đầu kiểm định giả thiết với một giả định về một vài tham số tổng thể và sử dụng dữ liệu mẫu để kiểm tra tính logic của giả định đó.
Bƣớc 2: Chọn mức ý nghĩa mong muốn. Khả năng phạm sai lầm loại 1 nhƣ đã trình bày đƣợc gọi là mức ý nghĩa và đƣợc ký hiệu là α. Trên thực tế, có 3 mức ý nghĩa thƣờng dung nhất là 0,10; 0,05 và 0,01 tƣơng ứng với độ tin cậy là 0,90; 0,95 và 0,99, phụ thuộc vào tính chủ quan của ngƣời nghiên cứu.
Bƣớc 3: Tính trị số thống kê hay giá trị thực tế của kiểm định. Trong bƣớc này, dựa vào các lý thuyết thống kê mà chúng ta lựa chọn công thức phù hợp để qui phân phối mẫu về phân phối nào đó. Giá trị thực tế của kiểm định là cơ sở để quyết định chấp nhận hay bác bỏ giả thuyết không.
24
Bƣớc 4: Rút ra kết luận liên quan đến giả thiết không. Tƣơng ứng với mức ý nghĩa α và phân phối đƣợc xác định ở bƣớc 3 ta tìm giá trị lý thuyết của kiểm định, thông thƣờng là ta tra bảng hoặc sử dụng phần mềm máy tính để tìm đƣợc. Sau đó chúng ta so sánh giữa giá trị thực tế và giá trị lý thuyết của kiểm định để có kết luận phù hợp với giả thuyết không.
Bƣớc 5: Kết luận. Tùy thuộc vào nội dung nghiên cứu chúng ta sẽ đƣa ra kết luận phù hợp với giả thuyết không (Mai Văn Nam, 2008).
2.3.3.5 Phương pháp hồi tuyến tính
a) Khái niệm
Mục đích của phƣơng pháp hồi qui tƣơng quan là ƣớc lƣợng mức độ liên hệ (tƣơng quan) giữa các biến độc lập (biến giải thích) đến biến phụ thuộc (biến đƣợc giải thích). Phƣơng pháp này đƣợc ứng dụng trong kinh tế và kinh doanh để phân tích mối liên hệ giữa hai hay nhiều biến ngẫu nhiên.
Phƣơng trình hồi qui đa biến có dạng: Y = β0 + β1X1 + β2X2 + β3X3 +…+ βnXn Trong đó:
Y là biến phụ thuộc
Xi là các biến độc lập, i= 1, 2, 3,…, n β0, β1, β2, …, βn là các tham số hồi qui
Kết quả tính toán có các thông số cơ bản nhƣ sau:
Multiple R (Multiple correlation coefficient): hệ số tƣơng quan bội. Nói lên mối quan hệ chặt chẽ giữa biến phụ thuộc Y và các biến độc lập X. Khi
càng lớn, mối liên hệ càng chặt chẽ.
Hệ số xác định (Multiple coefficient of determination): tỷ lệ % biến động của Y đƣợc giải thích bởi các biến Xi.
Adjusted R Square: hệ số xác định đã điều chỉnh, dùng để trắc nghiệm xem có nên thêm vào một biến độc lập nữa không. Khi thêm vào một biến mà R tăng lên thì ta quyết định thêm biến đó vào phƣơng trình hồi qui.
P value (probability value): giá trị P là mức ý nghĩa α nhỏ nhất mà ở đó bắt đầu bác bỏ giả thuyết H0.
Residual: phần dƣ của mô hình.
SS (sum of squares): tổng bình phƣơng. df: độ tự do.
25
Number of obs: số lƣợng các quan sát (số lƣợng mẫu)
* Phƣơng pháp ƣớc lƣợng thƣờng dùng nhất trong việc khảo sát các mô hình tuyến tính là phƣơng pháp bình phƣơng bé nhất – ordinary least squares (OLS) (Mai Văn Nam, 2008).
b) Các lỗi thƣờng gặp của một mô hình hồi qui tuyến tính: - Phƣơng sai sai số thay đổi
- Tự tƣơng quan - Đa cộng tuyến - Bỏ sót biến
2.3.3.6 Phương pháp mô hình hồi quy Binary logistic
Mô hình hồi quy Binary Logistic sử dụng biến phụ thuộc Y ở dạng nhị phân để ƣớc lƣợng xác suất một sự kiện sẽ xảy ra với những thông tin biến độc lập có đƣợc. Biến Y nhận 2 giá trị là 0 và 1, với 0 là sự kiện không xảy ra và 1 là sự kiện xảy ra.
Mô hình hồi quy Binary Logistic có dạng nhƣ sau: [
] Với: P(Y=1) là xác suất để sự kiện xảy ra
P(Y=0) là xác suất để sự kiện không xảy ra
β2 cho biết khi Xi tăng 1 đơn vị thì loge của tỷ lệ [P(Y=1)/P(Y=0)] tăng β2 đơn vị. Đồng thời do Pi đồng biến với vế trái của phƣơng trình nên khi hệ số β2 mang dấu dƣơng thì tăng Xi sẽ làm tăng khả năng Y nhận giá trị 1 trong khi hệ số âm làm giảm khả năng này.
Tỷ số của xác suất để sự kiện xảy ra và xác suất để sự kiện không xảy ra đƣợc gọi là tỷ số odds. Tỷ số đó có dạng: Trong đó: Zi = β1+ β2Xi
Mức độ phù hợp của mô hình hồi quy Binary Logistic đƣợc đo lƣờng bằng chỉ tiêu -2LL (viết tắt của -2 log likelihood). -2LL càng nhỏ càng thể hiện mức độ phù hợp của mô hình càng cao. Ngoài ra, ta có thể kiểm định ý nghĩa của các hệ số bằng kiểm định Wald.
26
CHƢƠNG 3
TỔNG QUAN VỀ THÀNH PHỐ CẦN THƠ VÀ ĐỊA BÀN NGHIÊN CỨU – QUẬN NINH KIỀU