Đề 12 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Mô hình tác động cố định và tác động ngẫu nhiên là các phương pháp phổ biến trong phân tích dữ liệu bảng (panel data), dữ liệu kết hợp cả chiều không gian (các đơn vị quan sát) và chiều thời gian. Mô hình tác động cố định kiểm soát các yếu tố bất biến theo thời gian nhưng thay đổi giữa các đơn vị.

Với biến phụ thuộc nhị phân, OLS có thể dẫn đến phương sai sai số thay đổi, giá trị dự báo nằm ngoài khoảng [0, 1] (không phù hợp với xác suất), và đôi khi mối quan hệ có thể không tuyến tính. Do đó, tất cả các đáp án trên đều là vấn đề tiềm ẩn.

Mô hình VAR là một công cụ mạnh mẽ để phân tích hệ thống nhiều chuỗi thời gian. Nó mô hình hóa mối quan hệ tương tác động giữa tất cả các biến trong hệ thống, cho phép xem xét cả ảnh hưởng đồng thời và ảnh hưởng trễ của mỗi biến lên các biến khác.

Để ước lượng OLS là BLUE, các giả định CLM cần thiết bao gồm tuyến tính, không tự tương quan, phương sai không đổi, và không có đa cộng tuyến hoàn hảo. Giả định sai số có phân phối chuẩn là cần thiết cho các kiểm định thống kê và suy diễn, nhưng không bắt buộc để đảm bảo tính BLUE.

Hệ số chặn là giá trị kỳ vọng của biến phụ thuộc khi tất cả các biến độc lập trong mô hình đều nhận giá trị bằng 0. Nó là điểm cắt của đường hồi quy với trục tung.

Kiểm định nghiệm đơn vị (như ADF test, PP test) được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thuyết H0 thường là chuỗi có nghiệm đơn vị (không dừng), và bác bỏ H0 cho thấy chuỗi dừng.

Đa cộng tuyến làm tăng phương sai của các ước lượng OLS, khiến chúng kém chính xác hơn (dù vẫn không chệch). Nó không gây ra chệch ước lượng, không nhất thiết làm giảm R-bình phương, và thường làm tăng sai số chuẩn (không phải giảm).

GLS là phương pháp ước lượng được thiết kế để khắc phục vấn đề phương sai sai số thay đổi hoặc tự tương quan của sai số, giúp tạo ra các ước lượng hiệu quả hơn so với OLS trong những trường hợp này. Nó không trực tiếp giải quyết đa cộng tuyến, vấn đề phân phối của biến phụ thuộc, hoặc kích thước mẫu nhỏ.

R-bình phương cho biết tỷ lệ phần trăm phương sai tổng thể của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Giá trị R-bình phương càng cao (gần 1), mô hình càng phù hợp với dữ liệu.

Trong mô hình hồi quy đơn biến, β1 là hệ số độ dốc. Nó đo lường mức thay đổi trung bình của biến phụ thuộc Y khi biến độc lập X tăng lên 1 đơn vị, giữ các yếu tố khác không đổi.

Mô hình Logit và Probit là các mô hình hồi quy phi tuyến tính được thiết kế đặc biệt để xử lý biến phụ thuộc nhị phân (ví dụ: có∕không, thành công∕thất bại). Chúng khắc phục các hạn chế của OLS khi áp dụng cho biến phụ thuộc loại này.

Biến giả được sử dụng để mã hóa dữ liệu định tính (categorical data), ví dụ như giới tính, khu vực địa lý, hoặc ngành nghề, thành dạng số (thường là 0 và 1) để sử dụng trong mô hình hồi quy.

R-bình phương điều chỉnh có thể âm khi mô hình thêm vào các biến độc lập không giải thích được phương sai của biến phụ thuộc một cách đáng kể, và mức giảm phương sai sai số không đủ bù đắp cho việc mất đi độ tự do do thêm biến. R-bình phương điều chỉnh âm cho thấy mô hình tệ hơn mô hình chỉ có hệ số chặn (mô hình trung bình đơn giản).

Hàm phản ứng đẩy (IRF) là một công cụ quan trọng trong phân tích VAR. Nó mô tả phản ứng của các biến trong hệ thống VAR theo thời gian trước một cú sốc ngẫu nhiên (innovation) vào một trong các biến. IRF giúp hiểu được sự lan truyền và tác động của các cú sốc trong hệ thống kinh tế.

Phương pháp biến công cụ (IV) được sử dụng để giải quyết vấn đề nội sinh, xảy ra khi biến độc lập có tương quan với sai số. Biến công cụ là biến có tương quan với biến độc lập nội sinh nhưng không tương quan với sai số, giúp ước lượng hệ số không chệch.

Mô hình ARIMA là một lớp mô hình thống kê quan trọng được sử dụng rộng rãi để phân tích và dự báo dữ liệu chuỗi thời gian. Nó kết hợp các thành phần tự hồi quy (AR), tích hợp (I - để làm dừng chuỗi nếu cần), và trung bình trượt (MA).

Kiểm định Durbin-Watson là một kiểm định phổ biến để phát hiện tự tương quan bậc nhất (AR(1)) trong sai số của mô hình hồi quy. Nó không trực tiếp kiểm tra đa cộng tuyến, phương sai sai số thay đổi, hoặc sai sót đặc tả mô hình nói chung.

Kiểm định White là một kiểm định phổ biến để phát hiện phương sai sai số thay đổi (Heteroscedasticity). Nó không kiểm tra tính tuyến tính, tự tương quan, hay phân phối chuẩn của sai số.

Sai phân bậc nhất (lấy hiệu giữa giá trị hiện tại và giá trị kỳ trước của chuỗi) là một kỹ thuật phổ biến để chuyển đổi một chuỗi thời gian không dừng thành chuỗi dừng, bằng cách loại bỏ xu hướng hoặc các thành phần không dừng khác. Sau khi chuỗi trở nên dừng, có thể áp dụng các mô hình chuỗi thời gian như ARIMA.

Hồi quy phân vị (Quantile Regression) là một phương pháp ước lượng mô hình cho các phân vị có điều kiện khác nhau của biến phụ thuộc. Thay vì tập trung vào giá trị trung bình có điều kiện như OLS, hồi quy phân vị cho phép chúng ta xem xét ảnh hưởng của biến độc lập lên các phần khác nhau của phân phối biến phụ thuộc (ví dụ: phần đuôi, phần giữa).

Sai số chuẩn đo lường độ biến động của ước lượng hệ số hồi quy qua các mẫu khác nhau. Sai số chuẩn càng nhỏ, ước lượng càng chính xác, tức là ít biến động và gần với giá trị thực tế hơn.

Mức ý nghĩa α là xác suất tối đa mà chúng ta chấp nhận để mắc lỗi loại I, tức là bác bỏ giả thuyết H0 (giả thuyết gốc) khi nó thực sự đúng. Giá trị α phổ biến thường là 0.05 hoặc 0.01.

Giá trị p là xác suất để quan sát được kết quả thống kê kiểm định cực đoan ít nhất bằng kết quả thực tế, nếu giả thuyết H0 là đúng. Giá trị p nhỏ (thường nhỏ hơn α) là bằng chứng chống lại H0.

Tự tương quan, tức là sai số ở thời điểm này có tương quan với sai số ở thời điểm trước, thường là vấn đề chính trong dữ liệu chuỗi thời gian, nơi các quan sát được thu thập theo thời gian và có thể có sự phụ thuộc lẫn nhau theo thời gian.

Phân rã phương sai (Variance Decomposition) trong VAR phân tích tỷ lệ phương sai dự báo của mỗi biến được giải thích bởi các cú sốc ngẫu nhiên (innovations) từ chính nó và từ các biến khác trong hệ thống VAR. Nó cho biết mức độ quan trọng tương đối của các cú sốc khác nhau trong việc gây ra biến động của mỗi biến.

Kiểm định F được sử dụng để kiểm tra giả thuyết về ý nghĩa đồng thời của một nhóm các biến độc lập trong mô hình hồi quy. Nó kiểm tra xem liệu tất cả các hệ số của nhóm biến này có đồng thời bằng 0 hay không. Kiểm định t được dùng để kiểm tra ý nghĩa của từng biến riêng lẻ.

Một biến công cụ hợp lệ phải thỏa mãn hai điều kiện chính: (1) Tương quan mạnh với biến độc lập nội sinh (điều kiện liên quan - relevance) và (2) Không tương quan với sai số (điều kiện ngoại sinh - exogeneity). Đáp án 3 thể hiện chính xác cả hai điều kiện này.

Điểm khác biệt then chốt là cách xử lý tác động đơn vị (individual effects). Mô hình tác động cố định loại bỏ ảnh hưởng của các yếu tố bất biến theo thời gian và có thể tương quan với biến độc lập, bằng cách sử dụng biến giả hoặc chuyển đổi trong đơn vị. Mô hình tác động ngẫu nhiên giả định tác động đơn vị là ngẫu nhiên và không tương quan với biến độc lập, cho phép ước lượng hiệu quả hơn (nếu giả định này đúng) nhưng có thể bị chệch nếu có tương quan.

Đồng tích hợp xảy ra khi hai hoặc nhiều chuỗi thời gian không dừng có một mối quan hệ cân bằng dài hạn. Mặc dù mỗi chuỗi có thể dao động ngẫu nhiên, nhưng có một tổ hợp tuyến tính của chúng là dừng, nghĩa là chúng có xu hướng di chuyển cùng nhau trong dài hạn và không đi quá xa nhau.

Tính dừng (stationarity) của chuỗi thời gian là một tính chất quan trọng. Một chuỗi dừng yếu (weakly stationary) có giá trị trung bình và phương sai không đổi theo thời gian, và hiệp phương sai giữa hai thời điểm chỉ phụ thuộc vào khoảng thời gian giữa chúng, không phụ thuộc vào thời điểm cụ thể.