Đề 4 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Sai số đặc tả mô hình xảy ra khi mô hình được xây dựng không chính xác, ví dụ như bỏ sót biến quan trọng, sử dụng dạng hàm sai, hoặc bỏ qua tính nội sinh. Hậu quả là ước lượng OLS trở nên chệch (biased) và không nhất quán (inconsistent), tức là không hội tụ về giá trị thực khi cỡ mẫu tăng lên.

Trong mô hình Logit, hệ số hồi quy thường được diễn giải dưới dạng thay đổi trong log-odds của biến phụ thuộc khi biến độc lập tăng một đơn vị. Để diễn giải tác động lên xác suất, cần tính toán hiệu ứng biên (marginal effects).

Kiểm định Wald là một kiểm định thống kê tổng quát được sử dụng để kiểm định các giả thuyết hạn chế về các tham số trong mô hình kinh tế lượng, bao gồm cả hồi quy tuyến tính và phi tuyến.

Khi có phương sai sai số thay đổi, ước lượng OLS vẫn không chệch (unbiased) nhưng không còn là ước lượng hiệu quả nhất (best efficient estimator). Sai số chuẩn của các ước lượng tham số bị sai lệch, dẫn đến kiểm định giả thuyết không đáng tin cậy.

Phân tích Granger causality không xác định nhân quả theo nghĩa triết học, mà là nhân quả thống kê. Nó kiểm tra xem liệu thông tin trong một chuỗi thời gian (ví dụ, chuỗi X) có giúp cải thiện khả năng dự báo cho một chuỗi thời gian khác (ví dụ, chuỗi Y) hay không.

Mô hình Logit và Probit được sử dụng khi biến phụ thuộc là biến nhị phân, tức là biến chỉ nhận hai giá trị (thường là 0 và 1), ví dụ như `có` hoặc `không′, `thành công′ hoặc `thất bại′.

Kiểm định nghiệm đơn vị là một loại kiểm định thống kê được sử dụng để xác định xem một chuỗi thời gian có tính dừng hay không. Các kiểm định phổ biến bao gồm Augmented Dickey-Fuller (ADF) và Phillips-Perron.

Kiểm định Durbin-Watson là một công cụ thống kê để phát hiện tự tương quan bậc nhất (autocorrelation) trong phần dư của mô hình hồi quy, đặc biệt trong dữ liệu chuỗi thời gian.

R-squared cho biết tỷ lệ phần trăm phương sai tổng thể của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình hồi quy. Giá trị R-squared càng cao, mô hình càng phù hợp với dữ liệu.

Đa cộng tuyến xảy ra khi có mối tương quan tuyến tính mạnh mẽ giữa hai hoặc nhiều biến độc lập trong mô hình hồi quy, gây khó khăn cho việc ước lượng chính xác tác động riêng rẽ của từng biến.

Tính dừng là cần thiết để tránh hồi quy giả mạo trong phân tích chuỗi thời gian. Hồi quy giả mạo xảy ra khi có mối quan hệ hồi quy có ý nghĩa thống kê giữa các chuỗi thời gian không dừng, mặc dù thực tế chúng không có mối quan hệ nhân quả thực sự.

OLS là phương pháp ước lượng phổ biến nhất trong hồi quy tuyến tính, nhằm tìm đường hồi quy phù hợp nhất bằng cách tối thiểu hóa tổng bình phương phần dư.

Biến trễ được sử dụng để đưa yếu tố thời gian và độ trễ vào mô hình kinh tế lượng. Chúng cho phép mô hình hóa tác động của các biến độc lập trong quá khứ lên biến phụ thuộc hiện tại, phản ánh các quá trình động và độ trễ thời gian trong kinh tế.

Hàm phản ứng xung (IRF) trong mô hình VAR theo dõi tác động theo thời gian của một cú sốc (đổi mới) đối với một biến cụ thể trong hệ thống, đồng thời xem xét tác động lan tỏa đến các biến khác.

Sai số loại I (Type I error), hay còn gọi là sai số alpha, xảy ra khi chúng ta bác bỏ giả thuyết null (H0) trong khi thực tế H0 là đúng. Xác suất mắc sai số loại I được ký hiệu là mức ý nghĩa kiểm định (alpha).

Kinh tế lượng tập trung vào việc sử dụng các phương pháp thống kê để đo lường và kiểm định các mối quan hệ kinh tế dựa trên dữ liệu thực tế, qua đó kiểm chứng các lý thuyết kinh tế.

Biến giả là biến định lượng nhận giá trị 0 hoặc 1 để biểu diễn các thuộc tính định tính hoặc các nhóm phân loại, cho phép đưa các yếu tố định tính vào mô hình hồi quy.

Mô hình `Between Effects′ trong dữ liệu bảng tập trung vào sự biến thiên giữa các đơn vị quan sát. Nó ước lượng tác động của các biến độc lập lên biến phụ thuộc dựa trên sự khác biệt trung bình giữa các đơn vị, bỏ qua sự biến thiên theo thời gian bên trong mỗi đơn vị.

Phương pháp biến công cụ được thiết kế để giải quyết vấn đề nội sinh trong mô hình hồi quy. Biến công cụ là biến có tương quan với biến độc lập nội sinh nhưng không tương quan với phần dư, giúp ước lượng nhất quán tác động nhân quả.

Mô hình VAR là một mô hình kinh tế lượng đa biến được sử dụng để mô tả sự phát triển và tương tác giữa một tập hợp các chuỗi thời gian. Nó cho phép phân tích đồng thời mối quan hệ động giữa nhiều biến.

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một lớp mô hình thống kê mạnh mẽ được sử dụng rộng rãi để phân tích và dự báo dữ liệu chuỗi thời gian.

Hệ số hồi quy riêng phần đo lường sự thay đổi trong biến phụ thuộc khi một biến độc lập thay đổi một đơn vị, giả định rằng tất cả các biến độc lập khác trong mô hình được giữ không đổi.

Bootstrap là một kỹ thuật tái mẫu (resampling) được sử dụng để ước tính sai số chuẩn, khoảng tin cậy và phân phối của các thống kê khi phân phối mẫu lý thuyết không dễ xác định hoặc tính toán. Nó đặc biệt hữu ích trong các tình huống mà các giả định phân phối chuẩn của các phương pháp truyền thống không được đáp ứng.

Thí nghiệm tự nhiên xảy ra khi có một sự kiện hoặc thay đổi ngoại sinh (ví dụ, thay đổi chính sách, thiên tai) tạo ra một tình huống gần giống với thí nghiệm ngẫu nhiên trong thực tế. Nhà kinh tế lượng tận dụng tình huống này để nghiên cứu tác động nhân quả một cách tự nhiên hơn so với dữ liệu quan sát thông thường.

Phương pháp GMM là một phương pháp ước lượng linh hoạt và tổng quát, bao gồm phương pháp OLS và phương pháp biến công cụ (IV) như các trường hợp đặc biệt. GMM dựa trên điều kiện moment và phù hợp với nhiều loại mô hình và vấn đề kinh tế lượng.

Mô hình Poisson Regression được thiết kế đặc biệt để phân tích dữ liệu đếm, tức là biến phụ thuộc đại diện cho số lần một sự kiện xảy ra trong một khoảng thời gian hoặc không gian nhất định (ví dụ: số vụ tai nạn giao thông, số bằng sáng chế).

Nội sinh thường xảy ra khi có mối tương quan giữa biến độc lập và phần dư trong mô hình. Một nguyên nhân phổ biến là bỏ sót biến quan trọng có ảnh hưởng đến cả biến độc lập và biến phụ thuộc, gây ra sự thiên lệch trong ước lượng.

Kiểm định Hausman giúp lựa chọn giữa mô hình tác động cố định và mô hình tác động ngẫu nhiên trong phân tích dữ liệu bảng. Kiểm định này đánh giá xem có mối tương quan giữa các tác động cá nhân và các biến độc lập hay không.

Sai phân bậc nhất là một phương pháp chuyển đổi dữ liệu chuỗi thời gian bằng cách lấy hiệu giữa giá trị hiện tại và giá trị kỳ trước của chuỗi. Phương pháp này thường được sử dụng để loại bỏ xu hướng và làm cho chuỗi thời gian trở nên dừng, từ đó tránh hồi quy giả mạo.

Phương pháp Difference-in-Differences (DID) là một kỹ thuật kinh tế lượng mạnh mẽ để đánh giá tác động nhân quả của các chính sách can thiệp hoặc thay đổi đột ngột. Nó so sánh sự thay đổi trong kết quả giữa nhóm được can thiệp và nhóm đối chứng trước và sau khi chính sách được thực hiện.