Đề 13 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Khi kích thước mẫu tăng lên, thông tin về quần thể được thu thập nhiều hơn, dẫn đến ước lượng chính xác hơn và phương sai của ước lượng giảm. Do đó, khoảng tin cậy của hệ số hồi quy trở nên hẹp hơn.

Phương pháp GMM là một phương pháp ước lượng tổng quát, bao trùm cả OLS, 2SLS và MLE như là các trường hợp đặc biệt. GMM linh hoạt hơn vì nó không đòi hỏi phải có phân phối cụ thể cho sai số và có thể xử lý nhiều loại mô hình và vấn đề khác nhau trong kinh tế lượng.

Kiểm định nghiệm đơn vị (ví dụ, Augmented Dickey-Fuller test) được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Sự hiện diện của nghiệm đơn vị cho thấy chuỗi không dừng.

Trong mô hình ARIMA (Autoregressive Integrated Moving Average), `d′ biểu thị bậc của sai phân (differencing) cần thiết để làm cho chuỗi thời gian trở nên dừng. `p′ là bậc của thành phần tự hồi quy (AR) và `q′ là bậc của thành phần trung bình trượt (MA).

Phân tích sự kiện (Event Study) là một phương pháp kinh tế lượng được sử dụng để đánh giá tác động nhân quả của một sự kiện cụ thể (ví dụ, công bố chính sách, sáp nhập doanh nghiệp) lên một biến kinh tế quan tâm (ví dụ, giá cổ phiếu, lợi nhuận doanh nghiệp). Nó tập trung vào việc đo lường sự thay đổi bất thường xung quanh thời điểm sự kiện xảy ra.

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, không chỉ mô tả định tính hay dự báo đơn thuần mà còn định lượng hóa và kiểm chứng lý thuyết.

Mô hình tác động ngẫu nhiên (RE) được ưa chuộng hơn khi không có tương quan giữa các tác động riêng của đơn vị và các biến độc lập. RE hiệu quả hơn FE trong trường hợp này và cho phép ước lượng tác động của các biến bất biến theo thời gian (ví dụ, giới tính, chủng tộc), điều mà FE không làm được.

Mô hình tác động cố định (Fixed Effects) kiểm soát các yếu tố không quan sát được mà không thay đổi theo thời gian nhưng có thể khác nhau giữa các đơn vị (ví dụ, đặc điểm văn hóa, thể chế cố định của từng quốc gia). Nó loại bỏ tác động của các yếu tố này bằng cách tập trung vào sự thay đổi bên trong từng đơn vị theo thời gian.

Đa cộng tuyến làm tăng phương sai và do đó tăng sai số chuẩn của các hệ số hồi quy. Điều này làm cho các kiểm định giả thuyết trở nên kém tin cậy hơn và khó bác bỏ giả thuyết null (hệ số bằng 0) hơn.

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

Ý nghĩa kinh tế của hệ số hồi quy tập trung vào việc giải thích hướng (dấu) và độ lớn (giá trị số) của tác động của biến độc lập lên biến phụ thuộc trong ngữ cảnh kinh tế thực tế. Nó không chỉ đơn thuần là ý nghĩa thống kê mà còn phải có ý nghĩa và hợp lý về mặt kinh tế.

Sai phân bậc nhất (lấy hiệu giữa giá trị hiện tại và giá trị kỳ trước của chuỗi) là một phương pháp thường được sử dụng để chuyển đổi một chuỗi thời gian không dừng thành chuỗi dừng, giúp loại bỏ xu hướng và làm cho chuỗi phù hợp hơn với các mô hình kinh tế lượng.

Kiểm định Hausman được sử dụng để kiểm tra xem có tương quan giữa các tác động riêng của đơn vị (unobserved effects) và các biến độc lập trong mô hình dữ liệu bảng hay không. Nếu có tương quan, mô hình tác động cố định (FE) phù hợp hơn; nếu không, mô hình tác động ngẫu nhiên (RE) có thể hiệu quả hơn.

R-squared cho biết tỷ lệ phương sai của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Nó thể hiện mức độ phù hợp của mô hình với dữ liệu, không phải ý nghĩa thống kê hay hướng quan hệ.

Trong mô hình log-log (logarit tự nhiên cả biến phụ thuộc và biến độc lập), hệ số hồi quy được hiểu là độ co giãn. Nó cho biết khi biến độc lập thay đổi 1%, biến phụ thuộc sẽ thay đổi khoảng hệ số phần trăm.

Mô hình logit (và probit) được sử dụng khi biến phụ thuộc là biến nhị phân, chỉ nhận hai giá trị (thường là 0 và 1), đại diện cho sự kiện có xảy ra hay không xảy ra.

Biến trễ của biến phụ thuộc (lagged dependent variable) trong mô hình hồi quy được sử dụng để thể hiện sự phụ thuộc động, tức là tác động của giá trị quá khứ của biến phụ thuộc lên giá trị hiện tại của nó. Nó thường được sử dụng để mô hình hóa tính quán tính hoặc sự điều chỉnh chậm chạp trong các quá trình kinh tế.

Kinh tế lượng được ứng dụng rộng rãi trong dự báo kinh tế, đánh giá chính sách, phân tích thị trường và hành vi kinh tế. Thiết kế cấu trúc tòa nhà cao tầng thuộc lĩnh vực kỹ thuật xây dựng, không phải ứng dụng của kinh tế lượng.

Biến giả (dummy variable) là biến nhị phân (0 hoặc 1) được sử dụng để biểu diễn dữ liệu định tính hoặc dữ liệu phân loại trong mô hình hồi quy, ví dụ như giới tính, khu vực địa lý, hoặc các sự kiện có∕không xảy ra.

Phương pháp GLS là một mở rộng của OLS, được sử dụng khi vi phạm các giả định của mô hình hồi quy tuyến tính cổ điển, đặc biệt là khi có phương sai sai số thay đổi (heteroskedasticity) hoặc tự tương quan (autocorrelation). GLS hiệu quả hơn OLS trong những trường hợp này.

Heteroskedasticity không làm cho ước lượng OLS bị chệch, nhưng nó làm cho các ước lượng phương sai của hệ số hồi quy trở nên không tin cậy, dẫn đến việc kiểm định giả thuyết và xây dựng khoảng tin cậy không chính xác và kém hiệu quả.

P-value nhỏ (thường dưới mức ý nghĩa 0.05) cho thấy dữ liệu cung cấp đủ bằng chứng để bác bỏ giả thuyết null (thường là hệ số bằng 0) và ủng hộ giả thuyết đối (hệ số khác 0).

Sai số loại I (lỗi α) xảy ra khi chúng ta bác bỏ giả thuyết null (H0) trong khi H0 thực tế là đúng. Đây là lỗi `bác bỏ đúng′.

Mô hình Probit và Logit đều sử dụng biến phụ thuộc nhị phân và thường được ước lượng bằng phương pháp правдоподобия lớn nhất (Maximum Likelihood Estimation). Sự khác biệt chính là ở hàm phân phối tích lũy được sử dụng: Probit sử dụng hàm phân phối chuẩn tích lũy, còn Logit sử dụng hàm phân phối logistic tích lũy.

Giả định cơ bản của mô hình hồi quy tuyến tính cổ điển yêu cầu sai số có phương sai KHÔNG ĐỔI (homoskedasticity), không phải phương sai thay đổi (heteroskedasticity). Heteroskedasticity là một vấn đề vi phạm giả định.

Tính dừng (stationarity) trong chuỗi thời gian nghĩa là các đặc tính thống kê như trung bình và phương sai của chuỗi không thay đổi theo thời gian. Điều này quan trọng để đảm bảo các mô hình chuỗi thời gian không hồi quy giả mạo.

Kiểm định Durbin-Watson được sử dụng để kiểm tra sự tự tương quan (autocorrelation) bậc nhất trong sai số của mô hình hồi quy, đặc biệt trong dữ liệu chuỗi thời gian.

Phương pháp biến công cụ (IV) được sử dụng để giải quyết vấn đề nội sinh (endogeneity), xảy ra khi có tương quan giữa biến độc lập và sai số, làm cho ước lượng OLS bị chệch và không nhất quán.

Phương pháp OLS ước lượng các hệ số hồi quy bằng cách tìm các giá trị làm tối thiểu tổng bình phương sai số (RSS - Residual Sum of Squares), tức là khoảng cách bình phương giữa giá trị thực tế và giá trị mô hình dự đoán.

Kiểm định Wald là một kiểm định thống kê được sử dụng để kiểm định giả thuyết null về các ràng buộc tuyến tính đối với nhiều hệ số hồi quy đồng thời. Ví dụ, kiểm định xem tổng của hai hệ số có bằng một giá trị cụ thể hay không.