Mô hình: WAGE = B1 + B2*MAINT + B3*EXPER +B4*GENDER + B5*CRAFTS + B6*CLERICAL
Bước 1: Ta ước lượng mô hình hồi quy:
Chú ý: Không được thoát mô hình này trong quá trình thực hiện các bước còn lại.
Bước 2: Tạo thêm biến quan sát thứ (n+1) điền các giá trị của các biến độc lập: Tại cửa sổ Workfile, vào Proc > Structure/Resize Current Page…
Tại mục Workfile structure type chọn Unstructured/Undated, tại mục Data range ta tăng giá trị hiện có trong ô lên một đơn vị:
Mở các biến MAINT, EXPER, GENDER, CRAFTS, CLERICAL trong cùng một Group, chọn Edit+/- và nhập:
X0 = (MAINT = 1, EXPER = 27, GENDER = 1, CRAFTS = 1, CLERICAL = 0) vào Obs số 50 (Tương ứng tại các ô có giá trị NA). Kết quả:
Bước 3: Tạo ra các biến và các giá trị vô hướng:
Trở lại mô hình hồi quy ở Bước 1, vào Forecast, hộp thoại Forecast xuất hiện. Trong khung Series name :
+ Tại mục Forecast name ta đặt tên biến dự báo cho biến phụ thuộc (Eview sẽ tự động đặt tên mặc định là Yf, ví dụ ở đây là wagef, tên này chúng ta có thể thay bằng một tên khác hợp lệ)
+ Tại mục S.E. (optional) ta khai báo biến sai số SE(Y ) là “ˆ0 se_1dubao” Sau khi nhập xong, chọn OK.
Mở đồng thời 2 biến wagef và se_1dubao sẽ thấy ở quan sát cuối cùng (quan sát số 50), giá trị của wagef chính là giá trị của ˆY và giá trị của 0 se_1dubao chính là giá trị của SE(Y0).
Ở đây, ˆY 1202,2450 và SE(Y0) = 456,2451.
Lập biếnse_2dubao thông qua se_1dubao và S.E. of regression (sigma ước lượng). Tại hộp lệnh Eview 6 gõ scalar sigma=@se để khởi tạo giá trị sigma.
Tại hộp lệnh Eview 6 gõ genr se_2dubao=sqr(se_1dubao^2-sigma^2) để tạo series se_2dubao.
Lập giá trị kiểm địnhtinv để tính giá trị tα/2(n-k) với n-k = 49-6 = 43, α/2 = 0,025. Tại hộp lệnh Eview 6 gõ scalar tinv=@qtdist(0.975,43) để khởi tạo giá trị tinv.
Bước 4: Thiết lập các cận trên, cận dưới cho các khoảng dự báo trung bình và cá biệt.
Từ bảng giá trị các biến trên đây cho ta biết:
Khoảng dự báo giá trị trung bình mức lương tháng của công nhân tương ứng với
MAINT = 1, EXPER = 27 năm, , GENDER = 1, CRAFT = 1, CLERICAL = 0là:
[ 708,8305 ; 1695,660 ]
Và khoảng dự báo cá biệt tương ứng:
b. Vẽ đồ thị:
* Dự báo giá trị cá biệt mức lương tháng của công nhân:
Nhận xét:
Từ đồ thị ta có thể thấy được, giá trị dự báo trung bình và giá trị dự báo cá biệt có những vị trí chênh lệch nhất định so với giá trị thực. Nhưng nhìn tổng quan, giá trị dự báo vẫn bám sát theo giá trị thực, do đó đồ thị dự báo trên sẽ tốt hơn nếu áp dụng trong dài hạn.
KẾT LUẬN
Qua việc ước lượng mô hình hồi quy với biến phụ thuộc WAGE và các biến giải thích MAINT, EXPER, GENDER, CRAFTS, CLERICAL cộng với việc thực hiện kiểm định Wald ta thấy được các biến giải thích trên đều cần thiết cho mô hình, có ảnh hưởng lớn đến biến phụ thuộc.
Thực hiện kiểm định White, mô hình hồi quy xảy ra hiện tượng phương sai thay đổi, để tránh những hậu quả do hiện tượng này gây ra, chúng ta phải áp dụng các biện pháp để khắc phục hiện tượng này.
Thực hiện kiểm định BG, ta thấy rằng mô hình không có hiện tượng tự tương quan bậc nhất, đây là điểm tốt của mô hình.
Mặc dù mô hình còn khuyết điểm đó là còn xảy ra hiện tượng phương sai thay đổi, nhưng chúng ta có thể khắc phục được và hiện tượng đa cộng tuyến giữa 2 biến GENDER với CLERICAL ở mức chấp nhận được. Đánh giá chung, mô hình hồi quy trên là hợp lý. Hơn nữa, các giá trị dự báo trong dài hạn tương đối sát với giá trị thực, nên chúng ta có thể áp dụng mô hình trên vào thực tế để dự báo mức lương tháng của công nhân. Đây cũng là một mô hình có thể tham khảo để giúp các cán bộ quản lý thực hiện việc điều chỉnh mức lương của công nhân hiện nay. (adsbygoogle = window.adsbygoogle || []).push({});