Đề 10 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Đa cộng tuyến là tình trạng các biến giải thích trong mô hình hồi quy có mối tương quan tuyến tính mạnh, gây khó khăn trong việc phân tách tác động riêng rẽ của từng biến.

Kinh tế lượng sử dụng các phương pháp thống kê, toán học và máy tính để phân tích dữ liệu kinh tế thực tế, nhằm kiểm định các lý thuyết kinh tế và định lượng hóa các mối quan hệ kinh tế.

DID là một phương pháp bán thực nghiệm (quasi-experimental) mạnh mẽ để ước lượng tác động nhân quả. Nó so sánh sự thay đổi theo thời gian trong kết quả giữa nhóm được can thiệp (treatment group) và nhóm không được can thiệp (control group), từ đó xác định tác động của can thiệp.

Kiểm định Hausman là một kiểm định đặc tả mô hình được sử dụng để giúp quyết định xem nên sử dụng mô hình tác động cố định hay mô hình tác động ngẫu nhiên 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, gợi ý về sự tương quan giữa tác động riêng và biến giải thích.

Ngoại suy là việc dự báo giá trị của biến phụ thuộc cho các giá trị của biến giải thích nằm ngoài phạm vi dữ liệu đã quan sát. Ngoại suy có thể rủi ro vì mô hình có thể không còn đúng hoặc các mối quan hệ có thể thay đổi ngoài phạm vi dữ liệu mẫu.

Hệ số tương tác được tạo ra bằng cách nhân hai hoặc nhiều biến giải thích với nhau. Nó cho phép mô hình hóa tác động điều kiện hóa, tức là tác động của một biến lên biến phụ thuộc có thể khác nhau tùy thuộc vào giá trị của biến khác.

Tương quan chỉ đơn thuần cho biết hai biến có xu hướng biến động cùng nhau hay ngược chiều nhau, nhưng không hàm ý rằng một biến gây ra sự thay đổi ở biến kia. Tính nhân quả, ngược lại, chỉ ra rằng sự thay đổi ở một biến (biến nguyên nhân) trực tiếp gây ra sự thay đổi ở biến khác (biến kết quả). Nhân quả khó xác định hơn tương quan và thường đòi hỏi các phương pháp nghiên cứu và giả định mạnh mẽ hơn.

GLS là một phương pháp ước lượng tổng quát hơn OLS, được thiết kế để hiệu quả hơn khi các giả định của OLS về sai số (phương sai không đổi, không tương quan chuỗi) bị vi phạm. GLS điều chỉnh cho các vấn đề này để tạo ra ước lượng hiệu quả hơn.

Mô hình hồi quy Poisson được thiết kế đặc biệt cho các biến phụ thuộc là biến đếm, tức là các biến đo lường số lần một sự kiện xảy ra (ví dụ: số lần khách hàng ghé thăm trang web, số vụ tai nạn giao thông). Mô hình này giả định biến phụ thuộc tuân theo phân phối Poisson.

Mô hình Probit và Logit là các mô hình hồi quy cho biến phụ thuộc nhị phân, tức là biến chỉ nhận hai giá trị, thường được mã hóa là 0 và 1, đại diện cho sự kiện xảy ra hay không xảy ra, hoặc lựa chọn giữa hai khả năng.

Sai phân bậc nhất (lấy hiệu giữa giá trị hiện tại và giá trị kỳ trước của biến) có thể giúp chuyển đổi chuỗi thời gian không dừng thành chuỗi dừng. Trong dữ liệu bảng với tác động cố định, sai phân bậc nhất có thể loại bỏ các tác động cố định không quan sát được và bất biến theo thời gian.

Tính ngoại sinh của các biến giải thích, nghĩa là sai số không tương quan với các biến giải thích, là điều kiện then chốt để đảm bảo tính không chệch và hiệu quả của ước lượng OLS (BLUE).

Biến kiểm soát được thêm vào để kiểm soát các yếu tố gây nhiễu (confounding factors) có thể ảnh hưởng đồng thời đến biến giải thích quan tâm và biến phụ thuộc. Bằng cách kiểm soát các yếu tố này, chúng ta cố gắng cô lập và ước lượng chính xác hơn tác động nhân quả của biến giải thích chính.

Kiểm định nghiệm đơn vị, như kiểm định Dickey-Fuller hoặc Augmented Dickey-Fuller (ADF), được sử dụng để xác định xem một chuỗi thời gian có tính dừng hay không. Nghiệm đơn vị cho thấy chuỗi không dừng.

P-value nhỏ hơn mức ý nghĩa (0.03 < 0.05) cho phép ta bác bỏ giả thuyết null. Điều này có nghĩa là có bằng chứng thống kê cho thấy hệ số của biến này khác 0 và biến đó có ý nghĩa thống kê trong mô hình.

Mô hình tự hồi quy bậc 1 (AR(1)) mô tả rằng giá trị hiện tại của một chuỗi thời gian phụ thuộc tuyến tính vào giá trị của chính nó ở kỳ trước, cộng thêm một sai số ngẫu nhiên. Công thức tổng quát: yₜ = φ × yₜ₋₁ + εₜ.

Nội sinh xảy ra khi có mối tương quan giữa một hoặc nhiều biến giải thích trong mô hình hồi quy và sai số. Điều này thường do các yếu tố như biến số bỏ sót, đồng thời tác động, hoặc sai số đo lường, dẫn đến ước lượng OLS bị chệch và không nhất quán.

Biến giả (hoặc biến chỉ báo) là biến nhị phân (0 hoặc 1) được sử dụng để mã hóa thông tin định tính, ví dụ như giới tính (nam∕nữ), khu vực địa lý (thành thị∕nông thôn), hoặc thời điểm xảy ra sự kiện (trước∕sau chính sách). Mỗi hạng mục của biến định tính thường được đại diện bởi một biến giả riêng biệt (trừ một hạng mục gốc để tránh bẫy biến giả - dummy variable trap).

Tính dừng của chuỗi thời gian nghĩa là các đặc tính thống kê như trung bình, phương sai và tự tương quan không biến đổi theo thời gian. Tính dừng là điều kiện quan trọng để áp dụng nhiều phương pháp phân tích chuỗi thời gian.

Đồng tích hợp xảy ra khi hai hoặc nhiều chuỗi thời gian không dừng (có nghiệm đơn vị) có một mối quan hệ dài hạn ổn định. Điều này có nghĩa là có một tổ hợp tuyến tính của các chuỗi này là dừng, cho thấy chúng có xu hướng di chuyển cùng nhau trong dài hạn, mặc dù có thể có những dao động ngắn hạn.

Mô hình tác động cố định loại bỏ ảnh hưởng của các yếu tố không quan sát được, cố định theo thời gian và có thể tương quan với các biến giải thích, bằng cách sử dụng chuyển đổi `within′ hoặc biến giả cho từng đơn vị. Mô hình tác động ngẫu nhiên giả định các tác động riêng không tương quan với biến giải thích.

MLE là phương pháp ước lượng mạnh mẽ, đặc biệt phù hợp với các mô hình phi tuyến và các mô hình mà biến phụ thuộc không liên tục hoặc không tuân theo phân phối chuẩn. Nó thường được sử dụng trong các mô hình như Probit, Logit (biến phụ thuộc nhị phân), và Poisson (biến đếm).

R-squared thể hiện tỷ lệ phần trăm phương sai tổng cộng của biến phụ thuộc được mô hình hồi quy giải thích. Giá trị R-squared càng cao, mô hình càng phù hợp với dữ liệu.

Biến trễ, tức là giá trị của một biến ở thời điểm trước đó, thường được sử dụng trong mô hình chuỗi thời gian để phản ánh sự phụ thuộc của biến hiện tại vào giá trị quá khứ của chính nó hoặc các biến khác. Ví dụ, mô hình ARDL (Autoregressive Distributed Lag).

Bootstrap là một phương pháp lấy mẫu lại (resampling) không tham số được sử dụng để ước lượng phân phối lấy mẫu của một thống kê, từ đó tính toán sai số chuẩn và khoảng tin cậy. Nó đặc biệt hữu ích khi các giả định phân phối chuẩn không được đáp ứng hoặc khi phân phối của thống kê ước lượng phức tạp và khó xác định bằng phương pháp giải tích.

Một biến công cụ hiệu quả phải vừa tương quan mạnh với biến nội sinh (điều kiện liên quan - relevance) để có thể dự báo biến nội sinh, vừa phải không tương quan với sai số (điều kiện ngoại sinh - exogeneity) để đảm bảo tính hợp lệ của công cụ.

Sai số chuẩn mạnh (Robust Standard Errors), còn gọi là sai số chuẩn White hoặc Huber-White, được sử dụng để cung cấp ước lượng sai số chuẩn hợp lệ ngay cả khi có phương sai sai số thay đổi, mà không cần điều chỉnh mô hình.

Sai số loại I (lỗi alpha) xảy ra khi chúng ta bác bỏ giả thuyết null (H0) trong khi H0 thực sự đúng. Xác suất mắc sai số loại I được ký hiệu là mức ý nghĩa (ví dụ, 5%).

Kiểm định tính vững là quá trình kiểm tra xem các kết quả chính của nghiên cứu kinh tế lượng có `vững chắc′ hay không trước những thay đổi nhỏ trong đặc tả mô hình, dữ liệu, hoặc phương pháp phân tích. Mục tiêu là đảm bảo rằng kết quả không phải là sản phẩm của một đặc tả mô hình cụ thể và có thể được tin cậy.

Lỗi đặc tả mô hình phát sinh khi mô hình hồi quy được xây dựng không đúng, ví dụ như bỏ qua các biến giải thích quan trọng, sử dụng dạng hàm không phù hợp (ví dụ, tuyến tính thay vì phi tuyến), hoặc chọn mẫu không đại diện.