Đề 8 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Lỗi loại I (Type I error), hay còn gọi là lỗi `bác bỏ đúng′, xảy ra khi chúng ta bác bỏ giả thuyết Ho (giả thuyết không) trong khi thực tế Ho là đúng. Mức ý nghĩa (significance level) α của kiểm định chính là xác suất mắc lỗi loại I.

Hệ số hồi quy riêng phần (partial regression coefficient) trong mô hình hồi quy bội biểu thị sự thay đổi trung bình trong biến phụ thuộc khi một biến độc lập cụ thể thay đổi một đơn vị, với điều kiện tất cả các biến độc lập khác trong mô hình được giữ nguyên.

Khoảng tin cậy (confidence interval) là một khoảng giá trị được xây dựng từ dữ liệu mẫu, với mục đích ước tính khoảng giá trị mà tham số tổng thể (ví dụ: hệ số hồi quy) có khả năng nằm trong với một mức độ tin cậy nhất định (ví dụ: 95%).

Kiểm định Durbin-Watson (DW test) là một kiểm định thống kê được sử dụng để phát hiện sự hiện diện của tự tương quan bậc nhất (first-order autocorrelation) trong sai số của mô hình hồi quy, đặc biệt trong dữ liệu chuỗi thời gian.

Giá trị p-value (p-value) là xác suất quan sát được kết quả thống kê kiểm định có giá trị ít nhất cực đoan bằng giá trị quan sát được trong mẫu, giả định rằng giả thuyết Ho (giả thuyết không) là đúng. Giá trị p-value nhỏ (thường nhỏ hơn mức ý nghĩa α) là bằng chứng chống lại Ho, dẫn đến bác bỏ Ho.

Hệ số xác định R² (R-squared) thể hiện tỷ lệ phần trăm phương sai tổng thể của biến phụ thuộc được giải thích bởi mô hình hồi quy. Giá trị R² càng cao (gần 1), mô hình càng phù hợp với dữ liệu.

Tự tương quan (autocorrelation) là hiện tượng sai số ở thời điểm này có tương quan với sai số ở thời điểm khác. Hiện tượng này phổ biến trong dữ liệu chuỗi thời gian, nơi các quan sát được thu thập theo thời gian và có xu hướng phụ thuộc lẫn nhau.

Phương pháp GLS (Generalized Least Squares) là một kỹ thuật ước lượng được sử dụng khi có vi phạm giả định homoskedasticity hoặc tự tương quan trong sai số. GLS điều chỉnh để khắc phục những vấn đề này và cung cấp ước lượng hiệu quả hơn so với OLS trong trường hợp này.

Kiểm định F được sử dụng để kiểm tra giả thuyết Ho rằng tất cả các hệ số độ dốc trong mô hình hồi quy tuyến tính đồng thời bằng 0. Nếu bác bỏ Ho, ta kết luận mô hình phù hợp chung, tức là có ít nhất một biến độc lập có tác động đến biến phụ thuộc.

Biến ngoại sinh (exogenous variable) trong mô hình hồi quy là biến độc lập không tương quan với sai số (u). Giả định ngoại sinh là rất quan trọng để đảm bảo ước lượng OLS là nhất quán và không chệch. Khi biến độc lập tương quan với sai số, ta gặp vấn đề nội sinh (endogeneity).

Biến giả (dummy variable) 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 nào đó, ví dụ như giới tính, khu vực địa lý, hoặc sự kiện đặc biệt.

Kiểm định nghiệm đơn vị (unit root test), ví dụ như kiểm định Dickey-Fuller, được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Nếu chuỗi thời gian có nghiệm đơn vị, nó là chuỗi không dừng và cần được xử lý (ví dụ: lấy sai phân) để trở thành chuỗi dừng trước khi sử dụng trong mô hình hồi quy.

Trong mô hình hồi quy tuyến tính cổ điển (CLRM), các biến độc lập được giả định là cố định trong các mẫu lặp lại. Các giả định khác bao gồm sai số có giá trị trung bình bằng 0, phương sai không đổi (homoskedasticity) và không có tự tương quan (no autocorrelation).

Hệ số tương quan (correlation coefficient) đo lường mức độ và hướng của mối liên kết tuyến tính giữa hai biến. Giá trị của hệ số tương quan nằm trong khoảng từ -1 đến +1. Giá trị gần +1 hoặc -1 cho thấy mối tương quan tuyến tính mạnh, trong khi giá trị gần 0 cho thấy mối tương quan tuyến tính yếu hoặc không có.

Trong mô hình hồi quy tuyến tính đơn (y = β₀ + β₁x + u), hệ số chặn (β₀ - intercept) biểu diễn giá trị dự đoán trung bình của biến phụ thuộc (y) khi biến độc lập (x) bằng 0. Về mặt hình học, nó là giao điểm của đường hồi quy với trục tung.

Dữ liệu bảng (panel data) kết hợp cả chiều không gian (cross-section) và chiều thời gian. Ưu điểm chính của mô hình dữ liệu bảng là khả năng kiểm soát các yếu tố không quan sát được và không đổi theo thời gian (time-invariant unobserved heterogeneity), giúp giảm thiểu thiên lệch biến số bỏ sót và cải thiện ước lượng nhân quả.

Đa cộng tuyến (multicollinearity) là hiện tượng xảy ra khi có mối tương quan tuyến tính cao giữa hai hoặc nhiều biến độc lập trong mô hình hồi quy. Điều này gây khó khăn trong việc ước lượng chính xác tác động riêng rẽ của từng biến độc lập.

Phương pháp sai phân bậc nhất (first differencing) là một kỹ thuật biến đổi chuỗi thời gian không dừng thành chuỗi dừng bằng cách lấy hiệu giữa giá trị hiện tại và giá trị trước đó của chuỗi. Điều này thường giúp loại bỏ xu hướng thời gian và làm cho chuỗi thời gian phù hợp hơn cho phân tích hồi quy.

Sai số chuẩn của hồi quy (SER - Standard Error of the Regression) ước tính độ lệch chuẩn của sai số không quan sát được (u) trong mô hình hồi quy. Nó đo lường mức độ phân tán của các quan sát thực tế xung quanh đường hồi quy ước lượng.

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

Mô hình VAR (Vector Autoregression) là một mô hình chuỗi thời gian đa biến, được sử dụng để mô tả sự phát triển và mối quan hệ tương tác đồng thời giữa một nhóm các biến chuỗi thời gian. VAR hữu ích khi không có biến nào được coi là hoàn toàn ngoại sinh và các biến có thể ảnh hưởng lẫn nhau.

Sai số chuẩn mạnh (robust standard errors), còn gọi là sai số chuẩn Huber-White hoặc sai số chuẩn sandwich, là một phương pháp phổ biến để khắc phục vấn đề phương sai sai số thay đổi (heteroskedasticity). Chúng cung cấp sai số chuẩn ước lượng nhất quán ngay cả khi có heteroskedasticity, cho phép suy diễn thống kê tin cậy hơn.

Thiên lệch biến số bỏ sót (omitted variable bias) xảy ra khi một biến số quan trọng có ảnh hưởng đến biến phụ thuộc và tương quan với biến độc lập được đưa vào mô hình nhưng lại bị bỏ sót khỏi mô hình. Điều này dẫn đến ước lượng hệ số của các biến độc lập trong mô hình bị chệch (biased) và không nhất quán (inconsistent).

Kinh tế lượng là sự kết hợp của lý thuyết kinh tế, toán học và thống kê, trong đó phân tích hồi quy là công cụ chính để đo lường và kiểm định các mối quan hệ kinh tế dựa trên dữ liệu.

Tính dừng (stationarity) là một thuộc tính quan trọng của chuỗi thời gian. Một chuỗi thời gian dừng khi các đặc tính thống kê của nó, như trung bình và phương sai, không thay đổi theo thời gian. Tính dừng là cần thiết để đảm bảo các kết quả hồi quy chuỗi thời gian là đáng tin cậy và không bị hồi quy giả mạo (spurious regression).

Hiệu ứng cố định (fixed effects) trong mô hình dữ liệu bảng được sử dụng để kiểm soát các yếu tố không quan sát được và không đổi theo thời gian (time-invariant unobserved heterogeneity) ở cấp độ cá nhân (entity fixed effects) hoặc thời gian (time fixed effects). Bằng cách này, nó giúp loại bỏ thiên lệch do bỏ sót các biến này.

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một lớp mô hình chuỗi thời gian rất phổ biến, được sử dụng chủ yếu cho mục đích dự báo. ARIMA mô hình hóa các đặc tính tự tương quan và trung bình trượt của chuỗi thời gian để đưa ra dự báo cho tương lai.

Kiểm định Hausman là một kiểm định thống kê được sử dụng trong mô hình dữ liệu bảng để giúp quyết định xem nên sử dụng mô hình hiệu ứng cố định (fixed effects) hay mô hình hiệu ứng ngẫu nhiên (random effects). Kiểm định này dựa trên việc so sánh tính nhất quán và hiệu quả của hai loại ước lượng.

Phương pháp GMM (Generalized Method of Moments) là một phương pháp ước lượng tổng quát, có thể áp dụng cho cả mô hình tuyến tính và phi tuyến tính. GMM dựa trên nguyên tắc tối thiểu hóa khoảng cách giữa các điều kiện mômen mẫu (sample moment conditions) và điều kiện mômen lý thuyết (population moment conditions) được suy ra từ mô hình kinh tế.

Phương pháp biến công cụ (IV) được sử dụng để giải quyết vấn đề nội sinh, xảy ra khi có mối tương quan giữa biến độc lập và sai số. Biến công cụ là biến có tương quan với biến độc lập nội sinh nhưng không tương quan với sai số, giúp xác định tác động nhân quả thực sự.