Đề 11 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

1. Phương pháp `sai phân trong sai phân′ (Difference-in-Differences - DID) thường được sử dụng để:

A. Khắc phục hiện tượng đa cộng tuyến.

B. Ước lượng tác động nhân quả của một chính sách hoặc can thiệp lên một nhóm đối tượng.

C. Dự báo chuỗi thời gian.

D. Phân tích dữ liệu bảng với tác động cố định.

2. Giả định `xu hướng song song′ (parallel trends assumption) là điều kiện tiên quyết quan trọng để sử dụng phương pháp `sai phân trong sai phân′ (DID) một cách hợp lệ. Giả định này yêu cầu:

A. Nhóm được can thiệp và nhóm không được can thiệp phải có đặc điểm giống hệt nhau.

B. Trong trường hợp không có can thiệp, xu hướng thời gian của biến kết quả phải song song giữa nhóm được can thiệp và nhóm không được can thiệp.

C. Can thiệp phải xảy ra ngẫu nhiên.

D. Mô hình hồi quy phải tuyến tính.

3. Ưu điểm chính của mô hình dữ liệu bảng (panel data model) so với mô hình chuỗi thời gian hoặc dữ liệu chéo (cross-sectional data) là:

A. Luôn cho kết quả ước lượng chính xác hơn.

B. Cho phép kiểm soát các yếu tố không quan sát được, cố định theo thời gian (time-invariant unobserved heterogeneity) và∕hoặc cố định theo đơn vị quan sát (entity-invariant unobserved heterogeneity).

C. Loại bỏ hoàn toàn hiện tượng tự tương quan và phương sai sai số thay đổi.

D. Đơn giản hóa quá trình ước lượng và suy diễn thống kê.

4. Sai số đặc tả (specification error) xảy ra khi:

A. Phương pháp ước lượng OLS được sử dụng không phù hợp.

B. Mô hình hồi quy được xây dựng không đúng, ví dụ bỏ sót biến quan trọng hoặc dạng hàm sai.

C. Dữ liệu sử dụng có nhiều giá trị ngoại lệ.

D. Các giả định Gauss-Markov bị vi phạm.

5. Một biến công cụ (instrument) hợp lệ cần thỏa mãn hai điều kiện chính:

A. Tương quan mạnh với biến phụ thuộc và không tương quan với sai số.

B. Tương quan mạnh với biến độc lập nội sinh và không tương quan với sai số.

C. Không tương quan với cả biến độc lập nội sinh và sai số.

D. Tương quan yếu với biến độc lập nội sinh và tương quan mạnh với sai số.

6. Hiện tượng tự tương quan (autocorrelation) bậc nhất trong chuỗi thời gian thường được biểu diễn bằng mô hình:

A. AR(1)

B. MA(1)

C. ARMA(1,1)

D. ARCH(1)

7. Trong phân tích chuỗi thời gian, tính dừng (stationarity) là một thuộc tính quan trọng vì:

A. Giúp giảm thiểu hiện tượng đa cộng tuyến.

B. Đảm bảo các thống kê mô tả của chuỗi (ví dụ, trung bình, phương sai) không thay đổi theo thời gian, cho phép suy diễn thống kê tin cậy.

C. Loại bỏ hoàn toàn hiện tượng tự tương quan.

D. Giúp mô hình hồi quy phù hợp hơn với dữ liệu.

8. Sự khác biệt chính giữa mô hình tác động cố định (fixed effects model) và mô hình tác động ngẫu nhiên (random effects model) trong dữ liệu bảng là:

A. Mô hình tác động cố định giả định các tác động không quan sát được tương quan với các biến độc lập, trong khi mô hình tác động ngẫu nhiên giả định chúng không tương quan.

B. Mô hình tác động ngẫu nhiên sử dụng phương pháp OLS, trong khi mô hình tác động cố định sử dụng phương pháp biến công cụ.

C. Mô hình tác động cố định chỉ phù hợp với dữ liệu chuỗi thời gian, còn mô hình tác động ngẫu nhiên phù hợp với dữ liệu chéo.

D. Mô hình tác động ngẫu nhiên cho phép ước lượng tác động của các biến không đổi theo thời gian, còn mô hình tác động cố định thì không.

9. Phương pháp OLS (Ordinary Least Squares) ước lượng các tham số hồi quy tuyến tính dựa trên việc tối thiểu hóa đại lượng nào?

A. Tổng bình phương độ lệch tuyệt đối (Sum of Absolute Deviations - SAD)

B. Tổng bình phương các phần dư (Sum of Squared Residuals - SSR)

C. Tổng giá trị tuyệt đối của các phần dư (Sum of Absolute Residuals - SAR)

D. Tổng giá trị phần dư (Sum of Residuals - SR)

10. Trong mô hình tác động cố định (fixed effects model) cho dữ liệu bảng, chúng ta thường sử dụng biến giả (dummy variables) để:

A. Kiểm soát xu hướng thời gian chung.

B. Kiểm soát các yếu tố không quan sát được, cố định theo đơn vị quan sát.

C. Khắc phục hiện tượng đa cộng tuyến.

D. Xử lý dữ liệu ngoại lệ.

11. Mô hình ARIMA (Autoregressive Integrated Moving Average) kết hợp các thành phần nào?

A. Tự hồi quy (AR) và trung bình trượt (MA).

B. Tự hồi quy (AR), trung bình trượt (MA) và tích hợp (I - differencing).

C. Tự hồi quy (AR) và sai phân (Differencing).

D. Trung bình trượt (MA) và tích hợp (I - differencing).

12. Phương pháp khắc phục hiện tượng phương sai sai số thay đổi (heteroskedasticity) bằng cách sử dụng sai số chuẩn robust (robust standard errors) có ưu điểm gì?

A. Luôn loại bỏ hoàn toàn hiện tượng phương sai sai số thay đổi.

B. Không làm thay đổi ước lượng hệ số hồi quy, nhưng cho phép suy diễn thống kê tin cậy hơn.

C. Thay đổi ước lượng hệ số hồi quy để mô hình phù hợp hơn.

D. Đơn giản hóa mô hình bằng cách loại bỏ các biến độc lập gây ra phương sai sai số thay đổi.

13. Nếu kiểm định Durbin-Watson cho giá trị thống kê gần bằng 2, điều này gợi ý về:

A. Tồn tại tự tương quan dương.

B. Tồn tại tự tương quan âm.

C. Không có tự tương quan bậc nhất.

D. Phương sai sai số thay đổi.

14. Trong mô hình hồi quy với biến giả (dummy variable), biến giả thường được sử dụng để:

A. Khắc phục hiện tượng đa cộng tuyến.

B. Biểu diễn các yếu tố định tính (qualitative factors) có ảnh hưởng đến biến phụ thuộc.

C. Kiểm tra tính dừng của chuỗi thời gian.

D. Ước lượng tác động của biến phụ thuộc lên biến độc lập.

15. Trong mô hình hồi quy tuyến tính cổ điển, giả định nào sau đây **KHÔNG** thuộc nhóm giả định Gauss-Markov?

A. Tính tuyến tính của mô hình theo tham số

B. Giá trị trung bình của sai số bằng không: E(εᵢ) = 0

C. Phương sai của sai số thay đổi theo quan sát: Var(εᵢ) = σ²ᵢ

D. Không có tự tương quan giữa các sai số: Cov(εᵢ, εⱼ) = 0 với i ≠ j

16. Kiểm định Durbin-Watson thường được sử dụng để kiểm tra:

A. Phương sai sai số thay đổi (Heteroskedasticity)

B. Đa cộng tuyến (Multicollinearity)

C. Tự tương quan bậc nhất (Autocorrelation bậc 1) trong phần dư

D. Tính dừng (Stationarity) của chuỗi thời gian

17. Phương pháp biến công cụ (Instrumental Variables - IV) thường được sử dụng để giải quyết vấn đề:

A. Đa cộng tuyến (Multicollinearity)

B. Phương sai sai số thay đổi (Heteroskedasticity)

C. Tính nội sinh (Endogeneity)

D. Tự tương quan (Autocorrelation)

18. Kiểm định Hausman được sử dụng để quyết định xem nên sử dụng mô hình tác động cố định (fixed effects) hay mô hình tác động ngẫu nhiên (random effects) trong dữ liệu bảng dựa trên việc kiểm tra:

A. Tính dừng của dữ liệu.

B. Phương sai sai số thay đổi.

C. Tính nội sinh của các biến độc lập.

D. Sự tương quan giữa các tác động không quan sát được và các biến độc lập.

19. Mô hình VAR (Vector Autoregression) thích hợp sử dụng khi:

A. Chỉ có một biến phụ thuộc và nhiều biến độc lập.

B. Có nhiều biến phụ thuộc và chúng có thể ảnh hưởng lẫn nhau.

C. Các biến độc lập có mối tương quan cao.

D. Cần kiểm tra tính dừng của chuỗi thời gian.

20. Trong mô hình log-log, khi cả biến phụ thuộc và biến độc lập đều được lấy logarit tự nhiên, hệ số hồi quy ước lượng xấp xỉ:

A. Thay đổi tuyệt đối của biến phụ thuộc khi biến độc lập tăng 1 đơn vị.

B. Thay đổi phần trăm của biến phụ thuộc khi biến độc lập tăng 1 đơn vị.

C. Thay đổi phần trăm của biến phụ thuộc khi biến độc lập tăng 1%.

D. Thay đổi tuyệt đối của biến phụ thuộc khi biến độc lập tăng 1%.

21. Trong kinh tế lượng ứng dụng, `vấn đề nhân quả` (causality problem) đề cập đến thách thức:

A. Xác định liệu mối quan hệ quan sát được giữa hai biến có thực sự là mối quan hệ nhân quả, hay chỉ là tương quan.

B. Ước lượng hệ số hồi quy một cách chính xác.

C. Lựa chọn mô hình hồi quy phù hợp nhất.

D. Thu thập dữ liệu chất lượng cao.

22. Hiện tượng thiên lệch biến bỏ sót (omitted variable bias) xảy ra khi:

A. Biến độc lập đưa vào mô hình không thực sự ảnh hưởng đến biến phụ thuộc.

B. Một biến quan trọng có ảnh hưởng đến biến phụ thuộc và đồng thời tương quan với biến độc lập được đưa vào mô hình bị bỏ sót.

C. Mô hình sử dụng quá nhiều biến độc lập không cần thiết.

D. Dữ liệu có quá nhiều quan sát trùng lặp.

23. Hệ số xác định R² trong hồi quy tuyến tính đo lường điều gì?

A. Độ mạnh và hướng của mối quan hệ tuyến tính giữa biến phụ thuộc và biến độc lập.

B. Tỷ lệ phần trăm phương sai của biến độc lập được giải thích bởi mô hình.

C. Tỷ lệ phần trăm phương sai của biến phụ thuộc được giải thích bởi mô hình.

D. Mức độ phù hợp của mô hình với dữ liệu, không phụ thuộc vào số lượng biến độc lập.

24. Nếu một chuỗi thời gian được xác định là không dừng (non-stationary) sau khi kiểm định Dickey-Fuller, một phương pháp phổ biến để làm cho nó dừng là:

A. Lấy logarit của chuỗi.

B. Tính sai phân (differencing) của chuỗi.

C. Chuẩn hóa chuỗi về trung bình 0 và phương sai 1.

D. Sử dụng biến giả (dummy variables) để kiểm soát xu hướng.

25. Kiểm định White thường được sử dụng để phát hiện hiện tượng:

A. Tự tương quan (Autocorrelation)

B. Đa cộng tuyến (Multicollinearity)

C. Phương sai sai số thay đổi (Heteroskedasticity)

D. Bỏ sót biến quan trọng (Omitted Variable Bias)

26. Hiện tượng đa cộng tuyến (multicollinearity) xảy ra khi:

A. Phương sai của sai số thay đổi không đồng đều.

B. Các biến độc lập trong mô hình có mối tương quan tuyến tính cao.

C. Sai số của các quan sát khác nhau có tương quan với nhau.

D. Biến phụ thuộc không có phân phối chuẩn.

27. Kiểm định Dickey-Fuller (DF test) thường được sử dụng để kiểm tra:

A. Phương sai sai số thay đổi (Heteroskedasticity)

B. Tự tương quan (Autocorrelation)

C. Tính dừng (Stationarity) của chuỗi thời gian

D. Đa cộng tuyến (Multicollinearity)

28. Trong mô hình VAR, độ trễ (lag order) được chọn quá thấp có thể dẫn đến:

A. Hiện tượng đa cộng tuyến.

B. Sai số đặc tả (specification error) do bỏ sót độ trễ quan trọng.

C. Phương sai sai số thay đổi (Heteroskedasticity).

D. Mô hình trở nên quá phức tạp và khó diễn giải.

29. Phương pháp `ghép cặp theo điểm xu hướng′ (Propensity Score Matching - PSM) được sử dụng để:

A. Xử lý dữ liệu chuỗi thời gian không dừng.

B. Tạo ra nhóm đối chứng `tương tự` với nhóm được can thiệp dựa trên các đặc điểm quan sát được để ước lượng tác động nhân quả.

C. Khắc phục hiện tượng đa cộng tuyến.

D. Kiểm tra tính dừng của chuỗi thời gian.

30. Trong phân tích hồi quy, `biến kiểm soát′ (control variable) được sử dụng với mục đích chính là:

A. Tăng R² của mô hình.

B. Giảm phương sai của sai số.

C. Kiểm soát các yếu tố gây nhiễu (confounding factors) và giảm thiểu thiên lệch biến bỏ sót.

D. Đơn giản hóa mô hình.