Phƣơng pháp ƣớc lƣợng phƣơng sai mạnh cho mô hình- 123docz.net

thiếu biến không quan sát đƣợc dạng ci, do đó phƣơng pháp này chỉ phù hợp khi yếu tố ci này không tƣơng quan với các biến giải thích khác trong mô hình nghĩa là corr(u_i,X) = 0 nhƣ trong bảng trên. Ta thấy, R2

within = 0.7928 trong mô hình cũng rất lớn nghĩa là mô hình phù hợp biến giải thích giải thích đƣợc 79,28%. Giá trị của sigma_u = 0 nghĩa là yếu tố không quan sát đƣợc ci không tác động lên mô hình mà chỉ có yếu tố ngẫu nhiên tác động. Hệ số của biến lao động là dƣơng có nghĩa là biến lao động có tác động tới Va, khi lực lƣợng lao động tăng 1% thì giá trị Va sẽ tăng 21,45%. Giá trị P = 0 < 0,05 có ý nghĩa thống kê nghĩa là biến lao động thực sự có tác động tới giá trị gia tăng Va.

2.3.2. Phƣơng pháp ƣớc lƣợng phƣơng sai mạnh cho mô hình tác động ngẫu nhiên nhiên

Các ƣớc lƣợng trên dựa vào giả thiết về phƣơng sai đồng đều. Giả thiết này có thể bị vi phạm, chẳng hạn nhƣ phƣơng sai mỗi cá thể tại mỗi thời điểm khác nhau là khác nhau, hoặc phƣơng sai trong mỗi cá thể là nhƣ nhau nhƣng giữa các cá

28 thể khác lại khác nhau. Khi đó giả thiết RE.3 sẽ vi phạm, và chúng ta phải sử dụng phƣơng pháp ƣớc lƣợng phƣơng sai mạnh.

Câu lệnh thực hiện trong Stata nhƣ sau:

xtreg va laodong vondautu, re robust

Kết quả chạy mô hình nhƣ bảng sau:

Bảng 2.7: Kết quả ƣớc lƣợng mô hình bằng phƣơng pháp phƣơng sai mạnh

Random-effects GLS regression Number of obs = 99 Group variable: id Number of groups = 9 R-sq: within = 0.7928 Obs per group: min = 11 between = 0.9773 avg = 11.0 overall = 0.9060 max = 11 Random effects u_i ~ Gaussian Wald chi2(2) = 41102.50 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 (Std. Err. adjusted for 9 clusters in id)

--- Robust

29 Ta thấy tất cả các hệ số trong bảng 2.6 và bảng 2.7 đều nhƣ nhau ngoại trừ giá trị sai số chuẩn (và các giá trị liên quan từ cột Std.Err trở đi) có sự khác biệt này là vì khi tính phƣơng sai của các hệ số ƣớc lƣợng, phƣơng pháp phƣơng sai mạnh không sử dụng ma trận dạng (1.9). Khi phƣơng sai của sai số không đồng đều thì phƣơng pháp ƣớc lƣợng phƣơng sai mạnh là hợp lý.

Nhƣ vậy ta nhận thấy rằng phƣơng pháp ƣớc lƣợng tác động ngẫu nhiên và phƣơng pháp tác động cố định đều giải quyết vấn đề thiếu biến không quán sát đƣợc vì vậy việc lựa chọn mô hình nào là phù hợp để ƣớc lƣợng chúng ta phải dùng phƣơng pháp kiểm định Hausman. Phƣơng pháp này tác giả sẽ trình bày rõ hơn trong phần phụ lục 1.

CHƢƠNG 3. KẾT LUẬN VÀ KIẾN NGHỊ

Từ kết quả chạy thực nghiệm các mô hình số liệu mảng áp dụng cho ngành Dệt may Việt Nam ta có một số nhận xét sau:

Qua sử dụng hai mô hình tác động ngẫu nhiên và tác động cố định ta thấy rằng lực lƣợng lao động có tác động mạnh mẽ lên giá trị gia tăng của ngành dệt may, nếu lực lƣợng lao động tăng 1% thì giá trị gia tăng của ngành Dệt may tăng xấp xỉ 21%. Nhƣ vậy để tăng giá trị gia tăng của ngành chúng ta cần n ng cao năng lực của ngƣời lao động.

Từ hai mô hình ta cũng nhận thấy rằng khi vốn đầu tƣ cho ngành ệt may tăng thì giá trị gia tăng cũng tăng theo, nếu vốn đầu tƣ tăng 1% thì giá trị gia tăng xấp xỉ 2%, nhƣ vậy vốn đầu tƣ cũng là một nhân tố ảnh hƣởng tới giá trị gia tăng của ngành.

Ngày nay việc tính năng suất tổng hợp phản ánh các yếu tố vô hình nhƣ kiến thức, kỹ năng lao động, giải pháp công nghệ, …đang dần phổ biến và đóng vai trò quan trọng tron việc phân tích và dự báo kinh tế. Trong đề tài này cũng đề xuất một phƣơng pháp tính năng suất tổng hợp sử dụng số liệu mảng.

Nhƣ vậy chúng ta thấy rằng việc ứng dụng mô hình số liệu mảng vào tính toán kinh tế lƣợng ngày càng phổ biến do tính ƣu việt của nó. Ngành Dệt may là ngành kinh tế mũi nhọn của nƣớc ta, là ngành có kim ngạch xuất khẩu nằm trong tốp đầu trong nền kinh tế nƣớc ta. Qua các mô hình ƣớc lƣợng trên ta thấy rằng để n ng cao năng suất hay sản lƣợng ngành Dệt may chúng ta phải quan tâm tới lực lƣợng lao động và đầu tƣ đúng mức cho ngành kinh tế này.

Về mặt ứng dụng của đề tài vào ngành giáo dục. Chúng tôi đặt ra mục tiêu là sẽ viết về công cụ nghiên cứu nhằm giới thiệu và trang bị cho ngƣời đọc những mô hình cần thiết và cách thực hiện một mô hình bằng phần mềm Stata. Đề tài cũng đã giới thiệu đƣợc phƣơng pháp tƣơng đối mới trong nền kinh tế hiện nay để xử lý các vấn đề kinh tế. Đó là phƣơng pháp kinh tế lƣợng. Chúng tôi đề xuất, sẽ đƣa tài liệu

31 này vào giảng dạy, làm tài liệu tham khảo cho các bạn sinh viên làm khóa luận tốt nghiệp trong các ngành Toán Ứng dụng và ngành tài chính ngân hàng.

TÀI LIỆU THAM KHẢO

[1]. Jeffrey M. Wooldridge (2002), Econometric Analysis of Cross Section and Panel Data, The MIT Press Cambridge, Massachusetts London, England

[2]. Badi H. Baltagi (2005), Econometric Analysis of Panel Data, 3rd Edition, John Wiley& Son, Ltd,

[3]. GS.TS. Nguyễn Khắc Minh (2002), Các phương pháp phân tích và dự báo trong kinh tế, NXB Khoa học và Kỹ Thuật Hà Nội.

[4]. GS.TS. Nguyễn Quang Dong (2008), Bài giảng kinh tế lượng, NXB Giao thông vận tải Hà Nội.

[5]. Damodar N. Gujarati (1995), Basic Econometric, MacGraw-Hill Inc, Third Ed. [6]. Greene, W. 2000. Econometric Analysis. Upper Saddle River, NJ: Prentice– Hall.

[7]. Brown, M. B., and A. B. Forsythe. 1974. Robust test for the equality of variances. Journal of the American Statistical Association 69: 364-367

[8]. Jemes Levinsohn and Amil Petrin, 2003, Estimating Production Functions Using Inputs to Cntrol for Unobservables, Review of Economic Studies (2003) 70, 317-341.

[9]. Tổng cục Thống kê, http://www.gso.gov.vn

[10]. Bộ Công thƣơng, http://www.moit.gov.vn/vn/pages/Thongke

[11]. Hiệp hội Dệt may Việt Nam, http://www.vietnamtextile.org.vn/vi/thong-ke- ngành

PHẦN PHỤ LỤC Phụ lục 1: Kiểm định Hausman

Sự lựa chọn giữa mô hình tác động cố định và mô hình tác động ngẫu nhiên đƣợc dựa vào kiểm định Hausman. Ý tƣởng kiểm định Hausman nhƣ sau:

Nếu ci không tƣơng quan với các biến giải thích trong mô hình thì cả hai phƣơng pháp ƣớc lƣợng đều cho ra ƣớc lƣợng vững, do đó chúng ta kỳ vọng hệ số ƣớc lƣợng thu đƣợc từ hai phƣơng pháp là khá gần nhau. Còn nếu ci là có tƣơng quan với biến giải thích thì ƣớc lƣợng từ mô hình tác động cố định là ƣớc lƣợng vững, còn ƣớc lƣợng từ mô hình tác động ngẫu nhiên lại không vững, do đó các ƣớc lƣợng từ hai phƣơng pháp là khác nhau. Kiểm định Hausman dựa trên sự khác biệt đó để lựa chọn mô hình.

Kiểm định Hausman thực hiện nhƣ sau: H0: ci không tƣơng quan với uit H1: ci có tƣơng quan với uit Thống kê kiểm định là: ) ˆ ˆ ( ) ( ) ˆ ˆ ( 1 2 RE FE RE FE RE FE qs   V V         

Khi giả thiết H0 là đúng thì thống kê này tuân theo quy luật Khi bình phƣơng với số bậc tự do bằng số hệ số trong mô hình trừ đi 1. o đó nếu thống kê quan sát lớn hơn giá trị tới hạn thì giả thiết H0 bị bác b và mô hình tác động cố định đƣợc lựa chọn.

Kết quả kiểm định trong Stata nhƣ sau:

Bảng phụ 1.1: Kiểm định Hausman

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E.

34 ---

laodong | 42.9308 21.45524 21.47556 2.778555 vondautu | 1.462452 2.038142 -.5756899 .0255379

--- b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 1684.06

Prob>chi2 = 0.0000

Trong bảng phụ 1.1 giá trị xác suất P tƣơng ứng với thống kê quan sát Khi bình phƣơng (1684.06) là 0,0000 < 0,05, do đó chúng ta bác b giả thiết H0, trong đó giả thiết mô hình tác động ngẫu nhiên là phù hợp. Khi H0 bị bác b nghĩa là ta chọn mô hình tác động cố định, và nghĩa là mặc định có sự tồn tại của yếu tố không quan sát đƣợc ci. o đó, ta không nhất thiết phải lựa chọn mô hình tác động cố định hay OLS gộp. Tuy nhiên nếu H0 đƣợc chấp nhận, chúng ta chƣa loại trừ đƣợc trƣờng hợp là mô hình không mắc phải hiện tƣợng thiếu biến ci. o đó vẫn có khả năng mô hình OLS gộp là phù hợp khi đó ta sử dụng phƣơng pháp kiểm định nhân tử Lagrange của Breusch-Pagan.

Phụ lục 2: Kiểm định nhân tử Lagrange của Breusch-Pagan

Chúng ta biết rằng nếu mô hình thực sự không có yếu tố ci thì phƣơng pháp OLS gộp là phƣơng pháp tốt nhất khi các giả thiết của nó th a mãn.

Khi có yếu tố ci thì trong quá trình tính toán, phƣơng pháp OLS gộp không tính đến sự hiện diện của ci còn phƣơng pháp mô hình tác động ngẫu nhiên có tính đến điều này, do đó việc sử dụng mô hình tác động ngẫu nhiên là hợp lý hơn.

Vậy việc lựa chọn mô hình đƣa về việc kiểm định có tồn tại yếu tố không quan sát đƣợc dạng ci hay không, khi đó ngƣời ta sử dụng phƣơng pháp kiểm định nhân tử Lagrange của Breusch – Pagan. Phƣơng pháp đó nhƣ sau:

H0: var (ci) = 0 (Không có yếu tố ci – Phƣơng pháp OLS phù hợp) H1: var (ci) ≠ 0 Thống kê kiểm định có dạng: nT nT v v nT n i T t it n i T t it LM            2 1 1 2 1 2 1 2 ) ( 1 2 ) ( 

Khi giả thiết H0 là đúng thì thống kê tuân theo quy luật Khi bình phƣơng với một bậc tự do. o đó quy tắc kiểm định là nếu giá trị quan sát của thống kê kiểm định lớn hơn giá trị tới hạn thì bác b H0.

Kết quả thực hiện trong Stata nhƣ sau:

Bảng phụ 2.1: Kết quả kiểm định nhân tử Lagrange của Breusch-Pagan

Breusch and Pagan Lagrangian multiplier test for random effects va[id,t] = Xb + u[id] + e[id,t]

36 | Var sd = sqrt(Var) ---+--- va | 7.06e+13 8400387 e | 4.25e+12 2062222 u | 0 0 Test: Var(u) = 0 chi2(1) = 2.13 Prob > chi2 = 0.1440

Kết quả trong bảng phụ 2.1 cho thấy rằng xác suất P = 0.144> 0.05 nên giả thiết H0 không bị bác b nên mô hình OLS gộp là phù hợp.

Qua đó ta thấy bản chất của các ƣớc lƣợng nhƣ sau:

Bảng phụ 2.2: tóm tắt các kết quả

Mô hình Tính chất Không tồn tại ci

Tồn tại ci ci không tƣơng quan

với X ci tƣơng quan với X OLS gộp Không chệch Vững Vững Không vững Vững Vững Vững Không vững

Hiệu quả Vững Không vững Không vững

Tác động ngẫu nhiên Không chệch Vững Vững Không vững Vững Vững Vững Không vững

Hiệu quả Không vững Vững Không vững

Tác động cố định Không chệch Vững Vững Vững Vững Vững Vững Vững

Hiệu quả Không vững Không vững Vững

Ngoài ra, chúng tôi cũng đƣa vào một số câu lệnh về kiểm định tự tƣơng quan, kiểm định tính đa cộng tuyến trong mô hình đƣợc giới thiệu rõ trong phụ lục số 3.

Phụ lục 3: Code chạy chƣơng trình ƣớc lƣợng

set more off

use E:\Econometrics\sldn11namluanvan global id id

global year year global ylist va

global xlist laodong vondautu describe $id $year $ylist $xlist summarize $id $year $ylist $xlist * Set data as panel data

sort $id $year xtset $id $year xtdescribe

38 * Pooled OLS estimator

reg $ylist $xlist

* Population-averaged estimator xtreg $ylist $xlist, pa

* Between estimator xtreg $ylist $xlist, be

* Fixed effects or within estimator xtreg $ylist $xlist, fe

* Fixed effects using dummy variables quietly tab id, gen(nganh)

xi: reg $ylist $xlist nganh2-nganh9 * First-differences estimator reg D.($ylist $xlist), noconstant * Random effects estimator xtreg $ylist $xlist, re theta

* Hausman test for fixed versus random effects model quietly xtreg $ylist $xlist, fe

estimates store fixed

quietly xtreg $ylist $xlist, re estimates store random

39 hausman fixed random

* Breusch-Pagan LM test for random effects versus OLS quietly xtreg $ylist $xlist, re

xttest0

* Recovering individual-specific effects quietly xtreg $ylist $xlist, fe

predict alphafehat, u sum alphafehat

Phụ lục 4: Code chạy ƣớc lƣợng bán tham số theo phƣơng pháp Levpet

set more off

use E:\Econometrics\sldn11nam global id id

global year year tsset id year gen lnva=ln(va) gen lnlaodong=ln(laodong) gen lnvondautu=ln(vondautu) gen myproxy=rnormal() gen lnm=ln(m)

levpet lnva, free( lnlaodong lnm) proxy(myproxy) capital( lnvondautu) predict productivity, omega

Phƣơng pháp ƣớc lƣợng phƣơng sai mạnh cho mô hình tác động ngẫu nhiên

Phƣơng pháp ƣớc lƣợng nội bộ