Đề 14 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Dự báo ngoài mẫu sử dụng mô hình ước lượng trên một phần dữ liệu (mẫu huấn luyện) để dự báo cho phần dữ liệu còn lại (mẫu kiểm tra) mà mô hình chưa từng `nhìn thấy′. Điều này giúp đánh giá khách quan khả năng dự báo và tổng quát hóa của mô hình, tránh hiện tượng `overfitting′ trong mẫu.

Kiểm định nghiệm đơn vị (unit root test) như ADF (Augmented Dickey-Fuller) nhằm xác định xem chuỗi thời gian có nghiệm đơn vị hay không. Nếu có nghiệm đơn vị, chuỗi là không dừng và có xu hướng ngẫu nhiên, cần phải được biến đổi (ví dụ: lấy sai phân) để trở thành dừng trước khi sử dụng trong mô hình hồi quy.

Các giả định cơ bản của OLS bao gồm: quan hệ tuyến tính, ngoại sinh của biến độc lập, sai số có phương sai không đổi, không tự tương quan, và không đa cộng tuyến hoàn hảo. Giả định sai số có phân phối chuẩn là một giả định `mạnh′ hơn, cần thiết cho các kiểm định thống kê và suy diễn, nhưng không phải là giả định bắt buộc để OLS là ước lượng BLUE.

ACF và PACF là công cụ quan trọng trong phân tích chuỗi thời gian để xác định bậc trễ phù hợp cho các mô hình ARIMA (Autoregressive Integrated Moving Average). Dựa vào dạng đồ thị của ACF và PACF, nhà kinh tế lượng có thể chọn bậc p và q cho mô hình ARMA.

Kiểm định Hausman 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. Nó kiểm tra xem có sự tương quan giữa các hiệu ứng riêng của từng đơn vị và các biến giải thích hay không.

Hệ số chặn (hằng số) là giá trị dự đoán của biến phụ thuộc khi tất cả các biến độc lập trong mô hình có giá trị bằng 0. Nó là điểm cắt của đường hồi quy với trục tung (trục biến phụ thuộc).

Sai số đặc tả mô hình phát sinh khi mô hình được xây dựng không đúng với dạng hàm thực tế hoặc bỏ qua các biến giải thích quan trọng (underfitting) hoặc đưa vào các biến không cần thiết (overfitting).

Chuỗi thời gian dừng có các đặc tính thống kê (trung bình, phương sai) không thay đổi theo thời gian. Tính dừng là điều kiện quan trọng để tránh hồi quy giả, tức là tìm ra mối quan hệ giữa các chuỗi không có quan hệ thực tế do xu hướng thời gian chung.

Biến kiểm soát là các biến được thêm vào mô hình hồi quy không phải là biến quan tâm chính, nhưng có thể ảnh hưởng đến biến phụ thuộc và có tương quan với biến độc lập quan tâm. Việc thêm biến kiểm soát giúp kiểm soát các yếu tố gây nhiễu và giảm thiểu thiên lệch do bỏ sót biến quan trọng, từ đó có được ước lượng hệ số nhân quả chính xác hơn.

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 biệt tác động riêng rẽ của từng biến.

Hiệu ứng cố định kiểm soát các yếu tố không quan sát được, không thay đổi theo thời gian nhưng khác nhau giữa các đơn vị quan sát (ví dụ: đặc điểm văn hóa, thể chế). Nó giúp loại bỏ sự thiên lệch do bỏ sót biến quan trọng.

Tính nội sinh là một vấn đề nghiêm trọng trong kinh tế lượng, xảy ra khi có mối tương quan giữa biến giải thích và sai số của mô hình. Điều này làm cho ước lượng OLS trở nên chệch và không nhất quán.

Mô hình Logit và Probit được sử dụng khi biến phụ thuộc là biến nhị phân, tức là chỉ nhận hai giá trị (thường là 0 và 1) để biểu thị sự thành công∕thất bại, có∕không, v.v.

Phương pháp OLS là phương pháp cơ bản nhất để ước lượng các tham số trong mô hình hồi quy tuyến tính, nhằm tìm đường thẳng (hoặc siêu phẳng) phù hợp nhất với dữ liệu.

Khoảng tin cậy là một khoảng giá trị được xây dựng từ dữ liệu mẫu, sao cho có một xác suất nhất định (mức độ tin cậy) rằng tham số thực tế của tổng thể nằm trong khoảng đó.

R-squared (hệ số xác định) cho biết tỷ lệ phần trăm phương sai của biến phụ thuộc được giải thích bởi mô hình hồi quy. Nó phản ánh mức độ phù hợp tổng thể của mô hình với dữ liệu quan sát.

Giá trị p là xác suất để quan sát được kết quả mẫu (hoặc kết quả cực đoan hơn) nếu giả thuyết H0 là đúng. Nếu p-value nhỏ hơn mức ý nghĩa (ví dụ 0.05), ta bác bỏ H0.

Giá trị Durbin-Watson (DW) thống kê gần bằng 2 cho thấy không có tự tương quan bậc nhất. Giá trị DW gần 0 gợi ý về tự tương quan dương (sai số hiện tại tương quan dương với sai số quá khứ), và giá trị DW gần 4 gợi ý về tự tương quan âm.

Khi phát hiện tự tương quan, phương pháp OLS không còn hiệu quả. Phương pháp Bình phương tối thiểu tổng quát (GLS), bao gồm các kỹ thuật như Cochrane-Orcutt hoặc Prais-Winsten, được sử dụng để ước lượng hiệu quả hơn trong trường hợp có tự tương quan.

Khi có phương sai sai số thay đổi, ước lượng OLS vẫn không chệch (unbiased) nhưng không còn là ước lượng hiệu quả nhất (BLUE - Best Linear Unbiased Estimator) do phương sai của các hệ số ước lượng không còn nhỏ nhất.

Mô hình VAR là một hệ thống các phương trình hồi quy, trong đó mỗi biến được xem là biến phụ thuộc và được hồi quy theo độ trễ của chính nó và độ trễ của các biến khác trong hệ thống. VAR thích hợp khi muốn nghiên cứu mối quan hệ động giữa nhiều biến nội sinh.

Biến giả là biến định lượng nhận giá trị 0 hoặc 1 để biểu thị sự hiện diện hay không hiện diện của một thuộc tính định tính nào đó (ví dụ: giới tính, khu vực địa lý, sự kiện đặc biệt).

Kiểm định Breusch-Pagan và kiểm định White là các kiểm định phổ biến để phát hiện hiện tượng phương sai sai số thay đổi trong mô hình hồi quy tuyến tính.

Sai số chuẩn của hệ số hồi quy phản ánh 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 (ít biến động).

Mức ý nghĩa 5% là xác suất mắc lỗi Loại I, tức là bác bỏ giả thuyết H0 (giả thuyết gốc) khi nó thực sự đúng. Nó thể hiện ngưỡng chấp nhận rủi ro sai lầm trong quyết định kiểm định.

Tự tương quan, hay tương quan nối tiếp, là hiện tượng sai số ở thời điểm này có tương quan với sai số ở thời điểm trước đó. Hiện tượng này phổ biến trong dữ liệu chuỗi thời gian do tính chất kế thừa và xu hướng của các biến kinh tế theo thời gian.

Khi thêm một biến độc lập vào mô hình, R-squared không bao giờ giảm. Nó sẽ tăng hoặc giữ nguyên, ngay cả khi biến mới thêm không có ý nghĩa thống kê. Vì lý do này, người ta thường sử dụng R-squared điều chỉnh (Adjusted R-squared) để đánh giá mô hình tốt hơn.

Tính nội sinh xảy ra khi biến giải thích có tương quan với sai số, dẫn đến ước lượng OLS bị chệch. Biến công cụ được sử dụng để tạo ra một biến ngoại sinh thay thế, giúp ước lượng hệ số hồi quy không chệch.

Kiểm định Wald là một kiểm định giả thuyết thống kê được sử dụng để kiểm tra xem một hoặc nhiều ràng buộc tuyến tính về các tham số trong mô hình hồi quy có đúng hay không.

Mô hình ARIMA (Autoregressive Integrated Moving Average) được thiết kế để mô hình hóa các chuỗi thời gian dừng. Thành phần `I′ (Integrated) trong ARIMA cho phép xử lý các chuỗi không dừng bằng cách lấy sai phân (d bậc) để chuyển chúng thành chuỗi dừng trước khi áp dụng mô hình ARMA.