Đề 5 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Phương pháp sai phân bậc nhất (First Differencing) biến đổi dữ liệu bằng cách lấy hiệu giữa giá trị hiện tại và giá trị kỳ trước của mỗi biến cho mỗi đơn vị. Điều này giúp loại bỏ các yếu tố không quan sát được là cố định theo thời gian, tương tự như mô hình tác động cố định, và có thể giúp giải quyết vấn đề nội sinh do các yếu tố này gây ra.

Mô hình hồi quy tuyến tính cổ điển không yêu cầu sai số phải tuân theo phân phối chuẩn để các ước lượng OLS là BLUE. Giả định về phân phối chuẩn chỉ cần thiết cho các kiểm định giả thuyết và xây dựng khoảng tin cậy.

Giá trị P là xác suất để thu được kết quả kiểm định (hoặc kết quả cực đoan hơn) nếu giả thuyết null (H0) là đúng. Giá trị P nhỏ cho thấy bằng chứng chống lại H0 mạnh mẽ hơn.

Biến giả là biến định lượng nhận giá trị 0 hoặc 1 để biểu thị sự hiện diện hoặc vắng mặt của một thuộc tính định tính hoặc phạm trù, ví dụ như giới tính, khu vực địa lý, hoặc sự kiện.

Mô hình VAR (Vector Autoregression) là một kỹ thuật chuỗi thời gian đa biến, mô hình hóa mối quan hệ tương tác và phụ thuộc lẫn nhau giữa một nhóm các biến chuỗi thời gian. Nó hữu ích khi không có biến nào được xác định là hoàn toàn ngoại sinh.

Đa cộng tuyến đề cập đến tình trạng có mối tương quan tuyến tính mạnh giữa hai hoặc nhiều biến giải thích trong mô hình hồi quy.

Ước lượng bình phương tối thiểu tổng quát hóa (GLS) là phương pháp phù hợp để xử lý tự tương quan và phương sai sai số thay đổi, nhằm tạo ra các ước lượng hiệu quả hơn so với OLS khi có các vi phạm giả định này.

Dữ liệu bảng (panel data) bao gồm quan sát cho nhiều đơn vị (cá nhân, doanh nghiệp, quốc gia…) theo thời gian. Khác với dữ liệu chéo (cross-sectional data) chỉ thu thập ở một thời điểm, dữ liệu bảng có chiều thời gian, cho phép phân tích sự thay đổi theo thời gian và kiểm soát các yếu tố không quan sát được không đổi theo thời gian.

Kiểm định Breusch-Pagan và White là các kiểm định chính thức để phát hiện hiện tượng phương sai sai số thay đổi (heteroskedasticity) trong mô hình hồi quy.

Mô hình Probit và Logit là các mô hình hồi quy phi tuyến tính được sử dụng khi biến phụ thuộc là biến nhị phân (binary∕dichotomous), tức là biến chỉ nhận hai giá trị (ví dụ: 0 hoặc 1, thành công hoặc thất bại, có hoặc không). Chúng mô hình hóa xác suất xảy ra một sự kiện dựa trên các biến giải thích.

Tự tương quan, hay tương quan chuỗi, thường là vấn đề trong dữ liệu chuỗi thời gian, nơi sai số ở một thời điểm có thể liên quan đến sai số ở thời điểm trước đó.

R-bình phương (R²) là thước đo thống kê thể hiện tỷ lệ phương sai trong biến phụ thuộc có thể dự đoán được từ các biến độc lập trong mô hình hồi quy. Nó đánh giá mức độ phù hợp của mô hình.

Tăng mức ý nghĩa thống kê không giải quyết được vấn đề đa cộng tuyến. Đa cộng tuyến là vấn đề về dữ liệu và mô hình, không phải về ngưỡng ý nghĩa. Các biện pháp khác như loại bỏ biến, tăng cỡ mẫu hoặc biến đổi dữ liệu có thể hữu ích.

Phương sai sai số thay đổi (heteroskedasticity) không làm cho ước lượng OLS bị chệch, nhưng nó làm cho các ước lượng phương sai và độ lệch chuẩn của hệ số hồi quy không còn tin cậy, dẫn đến kiểm định giả thuyết và khoảng tin cậy không chính xác. Do đó, ước lượng OLS không còn BLUE (Best Linear Unbiased Estimator) vì mất tính hiệu quả nhất.

Kiểm định Hausman là một kiểm định thống kê để lựa chọn giữa mô hình tác động cố định (Fixed Effects) và mô hình tác động ngẫu nhiên (Random Effects) trong phân tích dữ liệu bảng. Kiểm định này kiểm tra xem có sự khác biệt hệ thống giữa các ước lượng từ hai mô hình hay không, từ đó suy ra mô hình nào phù hợp hơn dựa trên giả định về tương quan giữa tác động không quan sát được và các biến giải thích.

Mô hình tác động ngẫu nhiên (Random Effects model) giả định rằng các tác động không quan sát được đặc trưng cho từng đơn vị là không tương quan với các biến giải thích trong mô hình. Nếu giả định này bị vi phạm, mô hình tác động cố định có thể phù hợp hơn.

Sai số đặc tả mô hình (specification error) phát sinh khi mô hình kinh tế lượng được xây dựng không đúng, ví dụ như bỏ sót các biến giải thích quan trọng, sử dụng dạng hàm số không phù hợp (ví dụ tuyến tính thay vì phi tuyến), hoặc chọn tập hợp biến không chính xác.

Mô hình tác động cố định (Fixed Effects model) loại bỏ ảnh hưởng của các yếu tố không quan sát được (unobserved heterogeneity) là cố định theo thời gian nhưng khác nhau giữa các đơn vị. Bằng cách này, nó giúp giảm thiểu vấn đề nội sinh do bỏ sót biến quan trọng không quan sát được.

OLS là phương pháp ước lượng các hệ số hồi quy bằng cách tìm các giá trị hệ số sao cho tổng bình phương phần dư (sai số) là nhỏ nhất.

R-bình phương không bao giờ giảm khi thêm biến giải thích vào mô hình, ngay cả khi biến đó không có ý nghĩa thống kê. Điều này là do việc thêm biến luôn làm tăng hoặc giữ nguyên SSR (Sum of Squared Regression), do đó giảm hoặc giữ nguyên SSE (Sum of Squared Errors), và tăng hoặc giữ nguyên R-squared.

Kiểm định nghiệm đơn vị (unit root test), ví dụ như ADF test, được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thuyết null của kiểm định nghiệm đơn vị thường là chuỗi có nghiệm đơn vị (không dừng).

Kiểm định Durbin-Watson là một kiểm định thống kê phổ biến để phát hiện tự tương quan bậc nhất (AR(1)) trong phần dư của mô hình hồi quy, đặc biệt trong dữ liệu chuỗi thời gian.

Tính ngoại sinh (exogeneity) của biến công cụ đòi hỏi biến công cụ không được tương quan với sai số của phương trình hồi quy quan tâm. Điều này đảm bảo biến công cụ chỉ tác động lên biến phụ thuộc thông qua biến giải thích nội sinh.

Nội sinh (endogeneity) là vấn đề nghiêm trọng trong kinh tế lượng, xảy ra khi có mối tương quan giữa một hoặc nhiều biến giải thích và sai số của mô hình. Điều này vi phạm giả định quan trọng của OLS và dẫn đến ước lượng chệch và không nhất quán.

Phương pháp biến công cụ (IV) là kỹ thuật chính để giải quyết vấn đề nội sinh. Biến công cụ là biến có tương quan với biến giải thích nội sinh nhưng không tương quan với sai số, giúp xác định tác động nhân quả của biến nội sinh lên biến phụ thuộc.

Lỗi loại I, còn gọi là lỗi alpha (α), xảy ra khi chúng ta bác bỏ giả thuyết null (H0) trong khi H0 thực tế là đúng.

Tính dừng (stationarity) là thuộc tính quan trọng của chuỗi thời gian. Chuỗi dừng có các đặc tính thống kê (trung bình, phương sai, tự tương quan) không thay đổi theo thời gian, giúp mô hình hóa và dự báo đáng tin cậy hơn, đồng thời tránh được nguy cơ hồi quy giả mạo khi làm việc với chuỗi không dừng.

Hệ số của biến giả thể hiện sự khác biệt trung bình về biến phụ thuộc giữa nhóm được mã hóa là 1 (nhóm can thiệp) và nhóm được mã hóa là 0 (nhóm tham chiếu), giữ các yếu tố khác không đổi.

Trong mô hình hồi quy động, biến trễ của biến phụ thuộc được đưa vào làm biến giải thích để nắm bắt sự phụ thuộc của giá trị hiện tại của biến phụ thuộc vào các giá trị trước đó của chính nó, thể hiện tính động của quá trình.

Hồi quy định lượng (Quantile Regression) không chỉ tập trung vào giá trị trung bình có điều kiện như hồi quy OLS, mà mở rộng phân tích đến việc ước lượng tác động của biến giải thích lên các phân vị khác nhau (ví dụ: trung vị, tứ phân vị) của phân phối có điều kiện của biến phụ thuộc. Nó hữu ích khi tác động có thể khác nhau ở các phần khác nhau của phân phối.