Đề 7 – Bài tập, đề thi trắc nghiệm online Kinh tế lượng

Nếu chuỗi thời gian không dừng, hồi quy giữa các chuỗi đó có thể cho ra kết quả có ý nghĩa thống kê nhưng thực tế không có mối quan hệ nhân quả thực sự (hồi quy giả mạo). Tính dừng đảm bảo các đặc tính thống kê của chuỗi không thay đổi theo thời gian, giúp mô hình hóa và dự báo đáng tin cậy hơn.

Đa cộng tuyến là tình trạng các biến độc lập trong mô hình có mối tương quan tuyến tính mạnh với nhau, gây khó khăn trong việc phân biệt tác động riêng rẽ của từng biến.

`Validity′ (tính hợp lệ) trong nghiên cứu kinh tế lượng, đặc biệt là trong các nghiên cứu nhân quả, đề cập đến việc liệu nghiên cứu có thực sự đo lường và trả lời đúng câu hỏi nghiên cứu hay không. Nó bao gồm tính hợp lệ bên trong (internal validity - kết quả nhân quả đúng trong bối cảnh nghiên cứu) và tính hợp lệ bên ngoài (external validity - khả năng tổng quát hóa kết quả).

CLRM không yêu cầu các biến độc lập phải có phân phối chuẩn. Các giả định chính liên quan đến sai số ngẫu nhiên, tính tuyến tính, và không có đa cộng tuyến hoàn hảo.

Mô hình Logit và Probit là các mô hình hồi quy cho biến phụ thuộc nhị phân (chỉ có hai giá trị, ví dụ: 0 hoặc 1, thành công hoặc thất bại). Chúng mô hình hóa xác suất của một sự kiện xảy ra.

Trong mô hình Logit, hệ số hồi quy biểu diễn sự thay đổi trong log-odds của biến phụ thuộc ứng với một đơn vị thay đổi của biến độc lập, giữ các biến khác không đổi. Để diễn giải tác động lên xác suất, cần tính toán thêm thông qua hàm phân phối tích lũy logistic.

Kiểm định Ramsey RESET là một kiểm định tổng quát về sai số đặc tả mô hình, đặc biệt là kiểm tra xem mô hình tuyến tính có bỏ sót các dạng phi tuyến của mối quan hệ hay không.

Mô hình VAR thích hợp khi chúng ta quan tâm đến việc mô hình hóa mối quan hệ động học và tương tác lẫn nhau giữa nhiều biến thời gian. Trong mô hình VAR, mỗi biến được hồi quy với các giá trị trễ của chính nó và các biến khác trong hệ thống.

Biến giả nhận giá trị 0 hoặc 1 để biểu thị sự hiện diện hoặc vắng mặt của một thuộc tính định tính, ví dụ như giới tính (nam∕nữ), khu vực (thành thị∕nông thôn), hoặc sự kiện (trước∕sau chính sách).

Nội sinh xảy ra khi biến độc lập có tương quan với sai số, làm cho ước lượng OLS bị chệch và không nhất quán. Phương pháp IV sử dụng một biến công cụ có tương quan với biến độc lập nội sinh nhưng không tương quan với sai số để có ước lượng nhất quán.

R-squared cho biết phần trăm biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình. Giá trị càng cao, mô hình càng phù hợp với dữ liệu.

Sai số đặc tả mô hình là lỗi do lựa chọn mô hình không phù hợp với dữ liệu hoặc bản chất mối quan hệ kinh tế, ví dụ như bỏ sót biến quan trọng, sử dụng dạng hàm tuyến tính khi mối quan hệ phi tuyến, hoặc sử dụng biến trễ không phù hợp.

Hiệu ứng cố định giúp loại bỏ ảnh hưởng của các yếu tố đặc trưng riêng của từng đơn vị (ví dụ: quốc gia, công ty, cá nhân) mà không thay đổi theo thời gian và có thể gây nhiễu cho ước lượng. Nó tập trung vào sự biến thiên `trong′ từng đơn vị theo thời gian.

Ước lượng `between effects′ trong dữ liệu bảng tập trung vào sự biến thiên giữa các đơn vị. Nó sử dụng trung bình theo thời gian của các biến cho mỗi đơn vị và thực hiện hồi quy trên các giá trị trung bình này.

Kiểm định nghiệm đơn vị (như ADF) là công cụ chính để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thuyết không của kiểm định ADF là chuỗi có nghiệm đơn vị (không dừng).

DID là một phương pháp bán thực nghiệm (quasi-experimental) phổ biến để ước lượng tác động nhân quả của một chính sách hoặc can thiệp. Nó so sánh sự thay đổi theo thời gian của nhóm được can thiệp (treatment group) so với nhóm không được can thiệp (control group) trước và sau khi can thiệp.

Sai số loại II (hay lỗi β) là việc không bác bỏ giả thuyết không (H0) khi H0 thực sự sai. Ngược lại, sai số loại I (hay lỗi α) là bác bỏ H0 khi H0 đúng.

Tự tương quan, tức là sự tương quan giữa sai số của các quan sát khác nhau, phổ biến trong dữ liệu chuỗi thời gian, nơi các quan sát được thu thập theo thời gian và có thể phụ thuộc vào nhau qua thời gian.

Ý nghĩa thống kê ở mức 5% (p-value < 0.05) nghĩa là chúng ta bác bỏ giả thuyết không (hệ số bằng 0) ở mức ý nghĩa 5%. Điều này cho thấy có bằng chứng thống kê mạnh mẽ rằng hệ số thực sự khác 0, tức biến độc lập có tác động đến biến phụ thuộc.

Hồi quy phân vị không chỉ tập trung vào trung bình có điều kiện như OLS mà cho phép ước lượng tác động của biến độc lập lên các phân vị khác nhau của phân phối biến phụ thuộc (ví dụ: phân vị thứ 25, 50, 75). Điều này hữu ích khi tác động có thể khác nhau ở các phần khác nhau của phân phối.

Khi có heteroskedasticity, OLS vẫn cho ước lượng không chệch nhưng không hiệu quả. GLS hoặc Robust Standard Errors (ví dụ White standard errors) là các phương pháp điều chỉnh để có ước lượng hiệu quả hơn và kiểm định tin cậy hơn.

Kinh tế lượng sử dụng các công cụ toán học và thống kê để đo lường và kiểm chứng các mối quan hệ kinh tế thực tế, không chỉ mô tả định tính hay dự báo đơn thuần mà tập trung vào việc định lượng và kiểm định.

Phân tích `reduced form′ trong mô hình đồng thời biến đổi hệ thống các phương trình để biểu diễn mỗi biến nội sinh chỉ phụ thuộc vào các biến ngoại sinh và sai số. Nó tập trung vào ước lượng tác động tổng thể của các biến ngoại sinh lên các biến nội sinh, không trực tiếp ước lượng hệ số cấu trúc.

Sai phân bậc nhất (lấy hiệu giữa giá trị hiện tại và giá trị quá khứ của mỗi biến) giúp loại bỏ các hiệu ứng cố định không đổi theo thời gian vì các hiệu ứng này bị triệt tiêu khi thực hiện phép sai phân.

Biến phụ thuộc trong mô hình hồi quy là biến mà chúng ta muốn giải thích sự biến động của nó, do đó còn được gọi là biến được giải thích.

Phương pháp OLS tìm các hệ số hồi quy sao cho tổng bình phương các sai số (khoảng cách giữa giá trị thực tế và giá trị dự đoán) là nhỏ nhất.

GMM là một phương pháp ước lượng linh hoạt và tổng quát, có thể sử dụng trong nhiều tình huống, bao gồm cả khi có nội sinh, phương sai sai số thay đổi hoặc tự tương quan. Nó dựa trên việc sử dụng điều kiện mô-men để ước lượng tham số.

Kiểm định Durbin-Watson là một kiểm định phổ biến để phát hiện tự tương quan bậc nhất giữa các sai số trong mô hình hồi quy, đặc biệt là trong dữ liệu chuỗi thời gian.

Bootstrap là một kỹ thuật lấy mẫu lại không tham số, được sử dụng để ước lượng sai số chuẩn, khoảng tin cậy và phân phối của thống kê, đặc biệt hữu ích khi phân phối lý thuyết không xác định hoặc khi các giả định tham số không được đáp ứng.

Kiểm định Hausman giúp quyết định xem mô hình hiệu ứng cố định hay hiệu ứng ngẫu nhiên phù hợp hơn cho dữ liệu bảng. Giả thuyết không của kiểm định Hausman là mô hình hiệu ứng ngẫu nhiên là phù hợp (không có tương quan giữa hiệu ứng riêng và biến độc lập).