bài tập thực hành kinh tế lượng

BÀI TẬP THỰC HÀNH KINH TẾ LƯỢNG
Bài 1: Hồi quy tuyến tính đơn trên Excel và Eviews.
Câu 1:
Tìm hiểu về nhu cầu sử dụng điện thoại, ông Bình đã sử dụng bộ dữ liệu của
Singapore giai đoạn 1960-1981 với 2 biến sau:
TEL: Số lượng máy điện thoại trên 1000 người.
GDP: Tổng sản phẩm quốc nội theo đầu người, tại mức giá cơ cấu tính theo
đô la Singapore năm 1968.
Năm TEL GDP Năm TEL GDP
1960 36 1299 1971 90 2723
1961 37 1365 1972 102 3033
1962 38 1409 1973 114 3317
1963 41 1549 1974 126 3487
1964 42 1416 1975 141 3575
1965 45 1473 1976 163 3784
1966 48 1589 1977 196 4025
1967 54 1757 1978 223 4286
1968 59 1974 1979 262 4628
1969 67 2204 1980 291 5038
1970 78 2462 1981 317 5472
a. Vẽ đồ thị phân tán điểm cho tập dữ liệu trên. Dùng trục hoành cho biến GDP và
trục tung cho biến TEL. Bằng trực quan, Anh/ chị hãy nhận xét ngắn gọn về mối
quan hệ giữa 02 chỉ số trên dựa trên đồ thị này.
b. Hãy tính các trị thống kê tổng hợp cho các biến GDP và TEL (trung bình.
phương sai, độ lệch chuẩn, đồng phương sai).
c. Sử dụng lệnh CORREL trong EXCEL, hãy xác định hệ số tương quan tuyến
tính giữa TEL và GDP. Giải thích ý nghĩa của hệ số tương quan.
d. Anh/Chị hãy cho biết có mối tương quan tuyến tính giữa TEL và GDP ở mức ý
nghĩa α = 5% hay không ?.
Câu 2:
Sử dụng dữ liệu câu 1. Chị Hiền, sinh viên khóa 50 đã đề nghị mô hình hồi

quy tuyến tính cho vấn đề này như sau:
TEL
t
= α + βGDP
t
+ U
t
.
Chị Hiền đã ước lượng các hệ số độ dốc và tung độ gốc của mô hình trên
lần lượt bằng cả 4 cách sau đây:
- Tính toán dựa trên các công thức của Phương pháp bình phương tối thiểu
thông thường (OLS).
- Sử dụng các lệnh SLOPE và INTERCEPT trong EXCEL.
- Sử dụng công cụ DATA ANALYSIS trong EXCEL.
- Dùng công cụ ADD TRENDLINE trong EXCEL.
a. Anh chị hãy thực hiện lại các cách mà chị Hiền đã làm và viết phương trình hồi
quy ước lượng của mô hình trên.
b. Giải thích ý nghĩa của hệ số độ dốc và tung độ gốc của mô hình trên.
c. Hãy xác định xem có mối quan hệ tuyến tính có ý nghĩa về mặt thống kê với
mức ý nghĩa α = 5% giữa số lượng sở hữu máy điện thoại và chỉ số GDP theo đầu
người tại Singapore?
d. Hãy tính hệ số xác định r
2
. Giải thích ý nghĩa hệ số này?
e. Hãy vẽ đồ thị của đại lượng sai số trong mẫu e
t
(với e
t
trên trục tung và thời gian
(năm) trên trục hoành). Bằng trực quan, anh (chị) hãy nhận xét sự phân tán của các

giá trị e
t
trên đồ thị này.
Câu 3:
Hãy chuyển dữ liệu câu 1 sang phần mềm EVIEWS (dữ liệu về số lượng
máy điện thoại trên 1000 người, tổng sản phẩm quốc nội theo đầu người của
Singapore giai đoạn 1960-1981).
Sử dụng phần mềm EVIEWS thực hiện các yêu cầu sau:
a. Vẽ đồ thị phân tán của hai biến trên (Dùng trục hoành cho biến GDP).
b. Tính hệ số tương quan cho biến TEL và GDP và kiểm định hệ số tương quan
với mức ý nghĩa 5%?
c. Tính các trị thống kê tổng hợp cho biến TEL và GDP.
d. Ước lượng phương trình hồi quy tuyến tính sau: TELt = α + βGDPt + Ut.
e. Xác định khoảng tin cậy 95% cho hệ số độ dốc. Anh/ Chị nhận xét gì về khoảng
tin cậy này?
f. Hãy vẽ đồ thị của đại lượng sai số trong mẫu (phần dư) e
t
theo GDPt (với e
t
trên
trục tung). Anh/ Chị hãy nhận xét sự phân tán của các giá trị e
t
trên đồ thị này.
Bài 2: Hồi quy tuyến tính bội trên Excel và Eviews.
Câu 1: Dữ liệu có các biến như sau:
Y : Lượng thịt gà tiêu dùng bình quân đầu người (pound)
X2 : Thu nhập khả dụng bình quân đầu người (USD)
X3 : Giá bán lẻ của thịt gà (cent/pound)
X4 : Giá bán lẻ của thịt bò (cent/pound)
X5 : Giá bán lẻ của thịt heo (cent/pound)

X6 : Giá bán lẻ bình quân có trọng số của thịt bò và thịt heo (cent/pound)
Ghi chú: Yếu tố lạm phát đã được loại trừ.
Yêu cầu:
a. Anh/chị hãy hồi quy Y theo X2. X3. X4 và X5. Từ kết quả hồi quy. cho biết thịt
bò và thịt heo là hàng hóa bổ sung hay hàng hóa thay thế cho thịt gà?
b. Anh/chị hãy thêm biến X6 vào mô hình ở câu a và ước lượng lại các hệ số trong
mô hình. Anh/chị có nhận xét gì về kết quả ước lượng?
c. Hãy đề xuất một mô hình theo đó có thể ước lượng trực tiếp các hệ số co dãn
của các X theo Y và so sánh với các hệ số co dãn tính gián tiếp từ mô hình mà anh
chị xây dựng ở phần b.
YEAR Y X2 X3 X4 X5 X6
1960 27.8 397.5 42.2 50.7 78.3 65.8
1961 29.9 413.3 38.1 52 79.2 66.9
1962 29.8 439.2 40.3 54 79.2 67.8
1963 30.8 459.7 39.5 55.3 79.2 69.6
1964 31.2 492.9 37.3 54.7 77.4 68.7
1965 33.3 528.6 38.1 63.7 80.2 73.6
1966 35.6 560.3 39.3 69.8 80.4 76.3
1967 36.4 624.6 37.8 65.9 83.9 77.2
1968 36.7 666.4 38.4 64.5 85.5 78.1
1969 38.4 717.8 40.1 70 93.7 84.7
1970 40.4 768.2 38.6 73.2 106.1 93.3
1971 40.3 843.3 39.8 67.8 104.8 89.7
1972 41.8 911.6 39.7 79.1 114 100.7
1973 40.4 931.1 52.1 95.4 124.1 113.5
1974 40.7 1021.5 48.9 94.2 127.6 115.3
1975 40.1 1165.9 58.3 123.5 142.9 136.7
1976 42.7 1349.6 57.9 129.9 143.6 139.2
1977 44.1 1449.4 56.5 117.6 139.2 132
1978 46.7 1575.5 63.7 130.9 165.5 132.1

1979 50.6 1759.1 61.6 129.8 203.3 154.4
1980 50.1 1994.2 58.9 128 219.6 174.9
1981 51.7 2258.1 66.4 141 221.6 180.8
1982 52.9 2478.7 70.4 168.2 232.6 189.4
Câu 2: Dữ liệu cho câu 2 chứa các biến được mô tả như sau:
Y : Lượng cầu hoa hồng (lố/quý)
X2: Giá bán trung bình hoa hồng trong quý ($/lố)
X3: Giá bán trung bình hoa cẩm chướng trong quý ($/lố)
X4: Thu nhập khả dụng của hộ gia đình ($/tuần)
Y
t
= β
1
+ β
2
X
2t
+ β
3
X
3t
+ β
4
X
4t
+ U
t
(1)
LnY
t

= α
1
+ α
2
LnX
2t
+ α
3
LnX
3t
+ α
4
LnX
4t
+ ε
t
(2)
TT Y X2 X3 X4
1 11484 2.26 3.49 158.1
2 9348 2.54 2.85 173.4
3 8429 3.07 4.06 165.3
4 10079 2.91 3.64 172.9
5 9240 2.73 3.21 178.5
6 8862 2.77 3.66 198.6
7 6216 3.59 3.76 186.3
8 8253 3.23 3.49 189
9 8038 2.6 3.13 180.5
10 7476 2.89 3.2 183.3
11 5911 3.77 3.65 181.9
12 7950 3.64 3.6 185

13 6134 2.82 2.94 184
14 5868 2.96 3.12 188.2
15 3160 4.24 3.58 175.7
16 5872 3.69 3.53 188
a. Bằng lý thuyết cung cầu Anh/Chị hãy xác định dấu kỳ vọng của các hệ số β
trong mô hình (1)
b. Sử dụng Eviews để ước lượng mô hình (1) và (2). Giải thích kết quả ước lượng
của từng mô hình.
c. Theo Anh/Chị thì mô hình nào sẽ dự báo lượng cầu hoa hồng tốt hơn? Giải
thích lập luận riêng của các anh chị.
Câu 3: Các biến trong dữ liệu câu 3 được giải thích như sau:
Y = Lượng cáp điện thoại lắp đặt hàng năm (triệu feet / năm)
X2 = GNP (tỉ Đô la)
X3 = Số lượng nhà dân cư (1000 nhà/năm)
X4 = Tỉ lệ thất nghiệp (%)
X5 = Lãi suất cơ bản khách hàng được vay (%)
X6 = Tỷ lệ hiệu quả đường dây khách hàng được hưởng (%)
Năm Y X2 X3 X4 X5 X6
1992 5873 1051.8 1503.6 3.6 5.8 5.9
1993 7852 1078.8 1486.7 3.5 6.7 4.5
1994 8189 1075.3 1434.8 5 8.4 4.2
1995 7497 1107.5 2035.6 6 6.2 4.2
1996 8534 1171.1 2360.8 5.6 5.4 4.9
1997 8688 1235 2043.9 4.9 5.9 5
1998 7270 1217.8 1331.9 5.6 9.4 4.1
1999 5020 1202.3 1160 8.5 9.4 3.4
2000 6035 1271 1535 7.7 7.2 4.2
2001 7425 1332.7 1961.8 7 6.6 4.5
2002 9400 1399.2 2009.3 6 7.6 3.9
2003 9350 1431.6 1721.9 6 10.6 4.4

2004 6540 1480.7 1298 7.2 14.9 3.9
2005 7675 1510.3 1100 7.6 16.6 3.1
2006 7419 1492.2 1039 9.2 17.5 0.6
2007 7923 1535.4 1200 8.8 16 1.5
Mô hình ước lượng cầu lắp đặt cáp điện thoại có dạng như sau:
Y
t
= α
1
+ α
2
X
2t
+ α
3
X
3t
+ α
4
X
4t
(3)
Y
t
= β
1
+ β
2
X
2t

+ β
3
X
3t
+ β
4
X
4t
+ β
5
X
5t
+ β
6
X
6t
+ U
t
(4)
a. Bằng lý thuyết cung cầu Anh/Chị hãy nêu dấu kỳ vọng của các hệ số β trong mô
hình (3) và (4).
b. Ước lượng các hệ số trong mô hình (3) và (4) bằng Eviews.
c. Anh/Chị chọn mô hình (3) hay (4)? Giải thích lập luận riêng của các anh chị.
Câu 4: File data- marketing chứa số liệu điều tra của 360 hộ dân tại Nha Trang
vào năm 2007. Số liệu gồm:
Cột 1. Mã hộ: đánh số thứ tự từ 1 –360.
Cột 2. Lượng thịt heo tiêu thụ bình quân/hộ/tuần (kg/hộ/tuần)
Cột 3. Lượng thịt bò tiêu thụ bình quân/hộ/tuần (kg/hộ/tuần)
Cột 4. Lượng thịt gà tiêu thụ bình quân/hộ/tuần (kg/hộ/tuần)
Cột 5. Giá thịt heo (đồng/kg)

Cột 6. Giá thịt bò (đồng/kg)
Cột 7. Giá thịt gà (đồng/kg)
Cột 8. Số người trong hộ (người/hộ)
Cột 9. Thu nhập bình quân đầu người/năm (triệu đồng/người/năm)
Cột 10. Độ tuổi bình quân/người của hộ điều tra (số tuổi bình quân/người)
Cột 11. Trình độ học vấn bình quân/người của hộ điều tra (số năm đến trường bình
quân/người)
HH code Pork/hh/w Beef/hh/w Chick/hh/w P pork P beef P chick HH size Income/cap Avg age Educational
1 4.20 0.20 0.90 40.000 60.000 25.000 3 8.00 31.0 6.3
2 3.50 0.63 1.00 20.000 40.000 20.000 6 2.40 19.1 9.8
3 1.50 0.40 0.50 32.000 50.000 30.000 6 5.00 41.3 4.7
4 2.30 0.50 1.20 30.000 40.000 20.000 5 5.40 31.6 9.8
5 3.50 0.33 0.42 32.000 50.000 30.000 5 7.20 24.8 7.3
6 3.50 0.40 0.50 18.000 50.000 20.000 6 2.40 33.6 4.2
7 1.50 1.20 0.50 29.000 40.000 20.000 3 5.20 29.0 10.0
8 0.90 0.20 1.05 32.000 50.000 20.000 3 9.00 22.3 14.0
9 0.40 0.40 0.45 35.000 50.000 20.000 6 5.80 24.5 8.5
10 2.00 0.00 0.23 32.000 40.000 20.000 3 10.00 53.0 2.7
11 2.00 0.40 0.39 30.000 50.000 20.000 6 4.40 21.9 5.0
12 0.71 0.20 0.50 32.000 40.000 20.000 3 5.48 21.7 8.5
13 1.00 0.29 1.50 32.000 50.000 18.000 4 4.50 31.0 12.8
14 3.50 1.00 1.00 32.000 40.000 35.000 6 6.00 37.3 9.8
15 2.00 0.60 0.40 30.000 40.000 20.000 3 27.20 24.0 9.5
16 3.50 0.50 0.25 32.000 40.000 30.000 3 8.00 29.7 15.7
17 3.50 0.29 0.50 35.000 50.000 18.000 4 3.15 31.0 12.0
18 1.71 0.30 1.00 30.000 45.000 25.000 4 10.20 36.8 8.5
19 3.00 0.30 2.00 35.000 45.000 18.000 4 6.30 29.0 8.0
20 2.00 1.00 1.00 35.000 40.000 20.000 3 7.20 20.9 14.0
21 1.00 0.30 0.35 32.000 45.000 28.000 4 3.60 19.0 9.5
22 2.50 1.40 2.00 29.000 40.000 20.000 5 7.74 35.0 7.4

23 4.00 2.00 1.00 30.000 34.000 20.000 10 18.00 29.9 8.4
24 0.60 0.00 0.67 35.000 32.000 22.000 5 3.60 22.8 5.8
25 3.50 0.30 0.35 32.000 35.000 28.000 4 7.63 28.8 13.3
26 2.50 0.60 2.00 30.000 40.000 20.000 7 5.83 29.3 8.5
27 1.00 0.60 0.70 35.000 40.000 28.000 8 4.50 27.9 9.7
28 1.20 0.45 0.54 35.000 40.000 28.000 6 4.40 29.5 11.0
29 2.00 0.60 1.80 35.000 40.000 20.000 3 8.40 20.0 10.5
30 2.50 1.80 1.00 35.000 40.000 28.000 3 4.40 32.7 9.7
31 1.00 0.50 1.00 35.000 40.000 20.000 5 4.32 22.6 8.5
32 3.50 2.00 2.00 35.000 40.000 28.000 4 7.80 24.3 9.0
33 0.20 0.00 0.38 35.000 40.000 22.000 3 5.38 43.7 6.0
34 0.80 0.40 1.00 35.000 40.000 25.000 4 35.90 26.0 7.7
35 2.40 0.83 0.25 30.000 40.000 20.000 5 10.66 27.8 3.0
36 0.50 1.00 0.60 35.000 40.000 28.000 4 5.24 19.5 7.0
37 1.70 0.30 2.00 30.000 40.000 20.000 4 12.35 24.8 8.8
38 1.40 0.30 0.50 32.000 40.000 20.000 5 7.34 21.2 6.6
39 1.40 0.20 1.00 30.000 40.000 27.000 4 4.50 20.3 6.5
40 1.40 0.13 0.25 30.000 40.000 20.000 3 9.20 54.3 6.3
41 0.50 1.00 0.75 35.000 40.000 35.000 4 6.00 19.0 8.7
42 3.00 0.50 1.00 30.000 40.000 20.000 4 5.48 21.0 9.0
43 0.40 0.50 0.50 35.000 40.000 20.000 5 2.99 42.0 7.0
44 1.00 1.00 2.10 35.000 40.000 15.000 5 7.76 27.2 9.4
45 0.50 0.13 0.25 35.000 40.000 20.000 3 2.08 52.0 2.2
46 1.50 0.60 1.00 35.000 40.000 20.000 8 1.59 32.4 6.3
47 0.80 0.50 1.00 35.000 40.000 25.000 5 3.60 15.0 7.7
48 1.50 1.00 1.00 35.000 40.000 22.000 8 3.30 23.5 10.3
49 0.30 0.53 3.00 40.000 40.000 20.000 7 3.09 24.1 6.2
50 2.80 0.30 0.50 25.000 40.000 20.000 5 4.80 36.6 8.5
51 3.50 0.80 3.50 35.000 45.000 24.000 5 9.60 31.2 3.5
52 3.00 0.50 1.00 32.000 45.000 28.000 5 3.60 33.6 12.8

53 0.40 1.00 0.55 35.000 45.000 28.000 6 5.40 37.0 11.0
54 2.00 0.45 0.56 30.000 45.000 28.000 6 3.00 37.2 7.4
55 2.00 0.39 0.70 30.000 45.000 20.000 5 2.84 36.2 6.8
56 1.00 0.32 0.50 32.000 45.000 25.000 4 0.90 27.0 2.8
57 2.00 1.00 1.67 32.000 45.000 18.000 7 4.03 29.3 8.0
58 0.33 0.00 0.38 35.000 45.000 26.000 4 3.00 30.3 9.0
59 0.60 0.32 2.80 35.000 45.000 22.000 4 3.80 26.3 9.3
60 7.00 0.50 1.20 32.000 45.000 22.000 5 12.09 32.6 7.8
61 5.00 0.47 0.70 35.000 50.000 28.000 4 12.17 30.0 7.5
62 3.00 0.00 4.00 30.000 40.000 16.000 8 8.79 39.9 9.4
63 1.00 1.00 0.75 35.000 40.000 22.000 6 4.35 31.8 3.0
64 3.50 0.50 1.00 35.000 45.000 20.000 6 13.15 26.5 12.2
65 2.00 1.60 1.40 35.000 35.000 25.000 2 18.25 58.5 6.0
66 2.00 0.00 1.50 25.000 40.000 18.000 3 8.11 20.6 13.0
67 0.50 0.50 0.38 35.000 40.000 26.000 4 4.87 22.3 7.5
68 1.00 0.20 1.00 32.000 45.000 20.000 4 3.04 17.5 4.6
69 2.10 0.23 0.23 35.000 40.000 20.000 3 3.24 16.7 10.0
70 0.50 0.45 0.23 32.000 32.000 25.000 2 3.65 36.0 14.0
71 0.23 0.42 0.28 35.000 40.000 20.000 5 3.77 18.8 4.8
72 0.77 0.60 0.29 35.000 40.000 26.000 3 1.66 34.6 7.0
73 0.70 1.40 1.97 30.000 40.000 18.000 7 4.69 28.7 3.4
74 5.60 0.00 9.10 30.000 30.000 18.000 13 11.62 28.6 9.0
75 3.00 1.00 2.50 35.000 40.000 20.000 5 14.55 32.0 8.0
76 1.00 0.40 1.20 30.000 40.000 22.000 4 5.17 18.8 8.3
77 0.50 0.00 1.00 35.000 45.000 28.000 4 7.91 40.3 8.0
78 7.00 1.50 4.20 32.000 40.000 24.000 6 20.28 28.8 13.0
79 1.00 0.30 1.00 32.000 45.000 28.000 3 6.67 50.7 3.3
80 2.50 0.42 0.50 32.000 40.000 20.000 5 2.88 40.2 8.3
81 3.00 2.80 0.70 35.000 50.000 25.000 4 8.40 28.5 10.0
82 0.50 0.25 0.80 30.000 40.000 20.000 6 4.00 34.8 4.4

83 2.00 0.50 0.50 35.000 40.000 25.000 9 1.76 25.7 7.8
84 0.50 0.20 1.50 35.000 30.000 20.000 3 3.97 38.0 5.0
85 1.05 0.50 1.40 35.000 40.000 25.000 4 6.00 23.8 6.0
86 1.80 0.15 0.80 30.000 40.000 20.000 3 4.80 34.3 9.7
87 1.20 0.00 2.00 30.000 40.000 23.000 5 2.40 33.6 4.0
88 1.20 1.36 1.00 32.000 40.000 23.000 4 6.00 23.3 5.8
89 1.00 0.50 0.30 32.000 40.000 20.000 3 6.00 25.0 6.3
90 0.40 0.25 1.25 35.000 35.000 25.000 5 10.20 23.6 7.0
91 1.25 0.50 0.50 35.000 40.000 22.000 6 3.00 27.7 7.3
92 2.00 1.50 3.75 35.000 40.000 24.000 5 5.76 29.0 9.4
93 1.00 0.33 1.20 30.000 40.000 20.000 4 4.80 38.5 8.8
94 0.15 0.00 0.25 30.000 40.000 30.000 5 1.20 25.0 8.6
95 1.50 0.26 0.30 35.000 40.000 20.000 3 6.00 54.0 8.3
96 1.00 0.30 2.00 35.000 40.000 20.000 3 5.20 35.0 10.3
97 1.00 0.30 0.70 30.000 45.000 20.000 4 5.50 22.0 10.0
98 0.20 0.60 0.30 30.000 40.000 20.000 3 5.57 32.0 11.0
99 0.20 0.20 0.40 30.000 50.000 20.000 2 2.20 38.0 6.0
100 0.60 0.60 1.50 30.000 40.000 20.000 3 6.11 36.0 9.0
101 0.50 1.00 3.00 25.000 40.000 25.000 4 25.00 32.0 11.0
102 0.40 0.00 0.82 30.000 40.000 28.000 6 0.25 20.0 6.0
103 1.00 0.00 1.00 35.000 40.000 18.000 6 2.93 36.0 8.0
104 1.50 0.60 0.60 30.000 40.000 20.000 6 2.60 30.0 8.0
105 1.40 0.60 1.50 32.000 40.000 20.000 6 6.33 31.0 9.0
106 0.20 0.20 0.30 35.000 40.000 16.000 2 2.30 64.0 12.0
107 2.00 0.50 0.40 35.000 40.000 20.000 4 8.70 23.0 13.0
108 2.00 0.60 0.50 35.000 40.000 20.000 5 6.24 28.0 12.0
109 2.00 1.00 1.75 35.000 35.000 22.000 4 9.00 14.0 9.0
110 1.50 0.60 0.67 32.000 40.000 22.000 5 7.68 21.0 8.0
111 1.00 0.50 1.40 32.000 36.000 23.000 5 5.84 37.0 9.0
112 0.40 0.00 0.50 35.000 45.000 25.000 10 3.96 28.0 4.0

113 1.50 0.30 0.90 32.000 40.000 22.000 5 5.28 39.0 7.0
114 1.50 0.00 0.80 32.000 45.000 23.000 3 9.20 27.0 11.0
115 2.00 0.60 1.00 35.000 40.000 26.000 4 3.90 21.0 8.0
116 1.00 0.50 1.50 30.000 40.000 25.000 5 3.58 27.0 6.0
117 0.50 0.40 1.00 32.000 40.000 18.000 4 3.30 26.0 7.0
118 1.20 0.20 0.50 33.000 40.000 22.000 3 12.70 30.0 11.0
119 1.80 0.40 0.70 35.000 40.000 22.000 4 9.55 26.0 8.0
120 1.00 0.20 0.58 35.000 45.000 18.000 2 9.70 30.0 12.0
121 4.00 0.50 1.50 32.000 40.000 25.000 5 12.88 43.7 11.5
122 5.00 0.50 1.30 30.000 50.000 25.000 6 8.60 34.3 8.8
123 0.60 0.40 0.60 35.000 40.000 20.000 4 9.13 41.3 2.3
124 2.10 1.00 2.15 35.000 40.000 20.000 10 5.28 34.2 6.7
125 1.60 0.40 1.00 35.000 40.000 20.000 4 9.00 32.0 6.3
126 0.50 0.20 0.93 30.000 40.000 20.000 2 36.00 32.0 8.0
127 1.20 0.40 1.00 35.000 40.000 20.000 4 5.52 43.3 5.5
128 0.80 0.60 1.00 35.000 45.000 25.000 4 9.00 24.8 6.8
129 1.50 0.40 0.70 35.000 40.000 20.000 4 12.06 42.8 5.3
130 2.10 0.30 0.75 30.000 40.000 25.000 3 8.00 46.0 5.0
131 1.50 0.50 0.50 34.000 40.000 20.000 5 4.80 23.8 7.8
132 2.00 0.50 0.35 32.000 40.000 25.000 5 8.16 30.8 4.8
133 0.30 0.70 0.70 35.000 40.000 18.000 7 2.84 46.9 4.1
134 0.90 0.60 1.50 30.000 40.000 25.000 6 7.63 34.7 5.8
135 4.00 1.10 1.00 33.000 40.000 25.000 11 8.73 38.5 4.7
136 0.30 0.73 0.88 25.000 40.000 20.000 7 3.46 38.3 6.0
137 3.00 0.45 0.50 30.000 40.000 18.000 4 6.00 22.5 2.0
138 3.00 0.70 0.70 40.000 40.000 18.000 6 4.83 38.5 2.8
139 2.50 0.60 3.00 35.000 45.000 20.000 12 5.31 27.3 11.7
140 0.60 0.00 0.60 45.000 45.000 22.000 5 8.03 41.6 4.2
141 1.00 0.72 0.84 35.000 40.000 25.000 6 8.32 37.2 4.2
142 1.50 0.72 0.50 30.000 40.000 25.000 6 3.00 38.5 9.3

143 2.00 0.60 0.33 35.000 40.000 20.000 5 6.00 21.6 6.0
144 1.00 0.36 1.50 35.000 40.000 25.000 3 8.00 53.0 12.0
145 1.00 0.00 0.58 35.000 40.000 28.000 6 4.00 30.5 5.8
146 1.50 0.00 0.35 35.000 40.000 25.000 6 4.43 17.7 6.5
147 0.50 0.60 1.00 35.000 40.000 20.000 5 12.00 27.4 8.8
148 1.00 0.30 1.62 35.000 40.000 20.000 6 6.00 40.5 11.5
149 0.60 1.40 0.67 32.000 40.000 20.000 7 5.40 36.9 5.4
150 0.30 0.00 1.44 32.000 40.000 15.000 6 1.86 26.8 3.8
151 0.70 0.00 0.80 32.000 40.000 22.000 6 1.40 41.5 3.8
152 0.30 0.00 0.60 35.000 40.000 20.000 4 4.03 58.5 2.3
153 0.40 0.00 0.40 35.000 40.000 20.000 3 4.80 50.3 3.3
154 0.60 0.00 1.10 35.000 40.000 22.000 2 4.80 60.0 5.0
155 2.00 0.96 0.82 35.000 45.000 20.000 6 4.00 36.8 2.7
156 2.00 0.00 1.00 30.000 40.000 20.000 5 3.60 21.4 3.0
157 2.00 1.12 0.50 35.000 40.000 20.000 5 4.30 32.8 5.0
158 3.00 0.00 2.10 35.000 40.000 20.000 12 2.50 29.8 5.2
159 0.20 0.00 0.60 35.000 50.000 20.000 6 3.67 29.5 7.5
160 2.50 0.00 0.25 35.000 40.000 20.000 5 3.96 30.2 3.8
161 0.70 0.00 0.09 40.000 40.000 25.000 2 5.50 62.5 4.0
162 1.00 0.45 0.22 35.000 40.000 20.000 3 4.00 53.7 1.3
163 0.80 0.00 0.55 32.000 40.000 18.000 5 2.16 17.0 5.8
164 2.10 1.40 0.33 30.000 40.000 20.000 7 2.74 22.0 5.6
165 0.20 0.00 0.20 35.000 40.000 30.000 3 8.00 37.7 10.3
166 1.00 0.00 0.60 35.000 40.000 30.000 8 3.30 23.5 7.7
167 1.40 0.00 0.70 30.000 40.000 28.000 4 6.30 38.3 5.0
168 0.40 0.20 0.50 38.000 40.000 26.000 3 5.60 35.3 11.0
169 1.20 0.00 0.60 28.000 50.000 20.000 4 7.00 30.5 5.5
170 0.40 0.00 0.75 30.000 40.000 28.000 6 2.20 40.8 4.3
171 0.50 3.00 1.60 35.000 40.000 20.000 15 1.68 29.4 0.3
172 0.20 0.10 0.30 35.000 50.000 20.000 2 2.40 31.5 6.0

173 0.70 0.00 0.40 34.000 40.000 20.000 4 4.50 38.0 3.0
174 0.60 0.00 1.20 35.000 40.000 35.000 4 4.50 36.5 0.7
175 1.00 0.00 0.50 30.000 45.000 20.000 5 3.60 34.6 10.0
176 0.75 0.00 1.00 30.000 40.000 28.000 2 2.40 71.0 5.0
177 2.10 0.00 0.30 35.000 40.000 20.000 7 6.43 45.1 4.3
178 2.10 0.00 0.38 40.000 40.000 32.000 6 3.00 32.7 8.8
179 2.10 0.00 1.20 30.000 40.000 25.000 5 5.92 28.4 11.2
180 0.30 0.30 0.75 30.000 40.000 22.000 5 3.40 22.0 5.0
181 0.60 0.30 0.60 35.000 40.000 20.000 6 7.00 22.8 6.4
182 0.30 0.00 0.75 35.000 40.000 27.000 5 4.40 36.8 9.0
183 2.10 0.30 0.50 35.000 40.000 18.000 3 5.00 36.0 6.3
184 0.20 0.10 0.20 35.000 40.000 28.000 2 12.60 54.0 4.0
185 2.80 0.00 0.50 30.000 40.000 20.000 4 12.00 25.0 5.3
186 1.20 0.30 0.86 35.000 40.000 35.000 6 12.00 38.3 6.2
187 2.10 0.00 0.38 35.000 40.000 28.000 4 6.00 22.3 9.0
188 2.10 0.00 0.38 35.000 40.000 45.000 5 5.04 37.0 3.6
189 2.10 0.30 1.50 30.000 40.000 28.000 4 11.40 32.3 4.3
190 0.60 0.83 0.50 30.000 40.000 20.000 5 4.32 44.4 4.4
191 2.10 1.00 0.50 35.000 35.000 35.000 5 5.28 28.4 5.8
192 4.00 0.00 1.13 35.000 40.000 19.000 9 9.40 21.2 3.0
193 2.10 0.00 0.25 35.000 40.000 20.000 5 5.28 38.8 11.0
194 0.60 0.00 1.50 35.000 40.000 30.000 7 5.14 29.6 4.7
195 1.40 0.00 1.50 35.000 40.000 30.000 3 12.00 44.0 9.7
196 1.40 0.00 1.00 35.000 40.000 18.000 8 3.90 23.5 7.3
197 1.80 0.00 0.75 35.000 40.000 50.000 4 18.00 32.3 4.0
198 3.50 1.00 0.25 35.000 45.000 28.000 5 9.60 30.8 13.2
199 0.30 0.00 0.50 30.000 40.000 45.000 5 5.04 34.2 2.8
200 0.60 0.00 0.38 30.000 40.000 45.000 7 4.63 34.7 5.7
201 2.10 0.00 1.73 35.000 40.000 45.000 13 7.52 25.8 4.7
202 1.40 0.00 0.38 35.000 40.000 35.000 6 5.40 36.7 4.4

203 0.10 0.00 1.50 30.000 40.000 30.000 3 5.40 39.0 2.3
204 1.50 0.00 2.00 30.000 40.000 18.000 6 5.60 32.7 5.0
205 0.50 0.00 0.50 30.000 40.000 20.000 7 8.40 25.4 6.6
206 3.50 0.00 3.00 35.000 40.000 25.000 10 8.64 26.7 7.3
207 3.50 0.20 1.00 32.000 45.000 28.000 4 4.50 34.8 8.3
208 0.70 0.00 1.50 30.000 45.000 26.000 5 2.88 19.6 5.3
209 2.50 0.00 1.00 30.000 40.000 28.000 5 7.44 40.6 5.8
210 0.30 0.00 0.10 32.000 40.000 20.000 1 1.44 59.0 5.0
211 0.60 0.00 0.20 32.000 40.000 25.000 2 4.50 50.0 7.0
212 0.60 0.50 2.00 35.000 50.000 28.000 5 5.04 23.6 12.3
213 1.50 0.30 2.00 32.000 45.000 22.000 5 4.80 30.2 11.0
214 1.00 0.00 4.00 35.000 40.000 25.000 12 4.70 27.9 5.0
215 1.20 0.00 1.00 30.000 40.000 30.000 2 12.00 35.5 4.0
216 0.30 0.20 0.50 32.000 45.000 18.000 4 3.30 36.0 12.0
217 0.50 0.00 0.80 32.000 40.000 30.000 6 8.60 39.3 5.2
218 1.00 0.00 1.50 35.000 40.000 28.000 8 3.75 29.4 5.8
219 4.20 0.60 1.50 30.000 45.000 24.000 5 12.00 43.4 9.0
220 3.00 0.30 0.35 35.000 45.000 25.000 4 5.40 30.3 8.5
221 0.90 0.00 1.00 35.000 45.000 28.000 3 8.00 22.3 7.0
222 0.60 1.20 1.00 30.000 60.000 22.000 5 11.52 33.2 8.8
223 2.00 1.00 1.50 35.000 40.000 25.000 4 6.00 27.3 10.0
224 1.50 0.20 2.50 30.000 40.000 22.000 5 3.60 28.6 13.0
225 1.50 2.00 0.50 30.000 30.000 28.000 8 5.25 42.6 7.4
226 0.70 0.00 0.20 32.000 40.000 20.000 2 2.70 76.5 5.0
227 0.20 0.50 1.00 30.000 50.000 20.000 4 3.60 33.5 5.0
228 0.40 0.00 0.10 30.000 40.000 20.000 1 5.40 65.0 5.0
229 0.90 0.30 0.23 30.000 35.000 18.000 5 2.40 43.0 3.0
230 0.09 0.00 0.80 32.000 40.000 20.000 6 1.80 37.8 9.0
231 1.40 0.00 0.60 30.000 40.000 20.000 4 7.50 32.3 10.5
232 3.50 0.00 1.30 30.000 40.000 18.000 12 4.30 36.5 4.0

233 0.70 0.00 0.47 28.000 40.000 25.000 4 7.50 25.3 5.3
234 2.00 0.00 1.00 35.000 40.000 20.000 6 6.00 23.7 4.3
235 7.00 1.40 0.70 35.000 40.000 22.000 10 5.04 35.2 5.0
236 0.40 0.00 1.00 40.000 40.000 20.000 6 4.80 39.8 5.0
237 2.10 0.00 0.40 35.000 40.000 22.000 8 3.00 37.2 5.6
238 2.00 1.40 0.80 35.000 40.000 25.000 7 8.57 24.7 10.2
239 1.20 0.00 2.10 32.000 40.000 25.000 5 1.92 35.8 7.7
240 1.50 0.00 2.00 35.000 40.000 27.000 11 4.09 29.5 4.0
241 4.90 0.46 4.50 35.000 50.000 20.000 9 7.71 27.2 6.8
242 6.00 0.40 3.30 34.000 40.000 20.000 6 23.32 39.8 11.6
243 2.00 0.00 0.56 35.000 40.000 28.000 6 13.99 43.8 5.2
244 0.30 0.00 0.21 35.000 40.000 20.000 2 1.37 59.5 3.0
245 2.10 0.00 0.23 26.000 50.000 28.000 5 4.53 47.2 5.8
246 3.50 1.13 0.46 30.000 40.000 28.000 6 10.54 38.3 6.0
247 1.00 0.00 1.50 33.000 40.000 30.000 5 8.27 42.8 4.0
248 1.40 0.00 0.50 35.000 40.000 28.000 4 4.56 36.8 8.5
249 0.60 0.70 1.50 35.000 40.000 20.000 4 3.04 31.3 3.5
250 4.00 0.00 1.50 30.000 45.000 20.000 8 4.94 31.8 6.8
251 0.70 0.00 0.63 28.000 40.000 28.000 5 3.41 55.0 3.8
252 2.00 0.60 3.00 35.000 45.000 20.000 6 12.17 27.3 9.5
253 1.20 0.00 1.70 30.000 40.000 20.000 5 19.95 41.4 8.0
254 7.00 1.00 2.00 35.000 40.000 28.000 5 31.11 31.2 7.4
255 0.80 0.23 1.00 35.000 45.000 27.000 5 7.30 26.4 7.6
256 0.80 0.40 0.93 35.000 40.000 20.000 4 3.65 35.0 2.7
257 1.46 0.60 0.80 30.000 40.000 28.000 6 10.14 37.0 4.2
258 2.10 1.20 0.35 30.000 40.000 28.000 6 10.24 32.5 3.8
259 4.00 2.00 4.00 30.000 50.000 35.000 10 5.72 27.1 10.6
260 0.70 0.30 0.23 35.000 40.000 27.000 4 6.08 22.5 5.0
261 2.10 1.17 1.62 32.000 50.000 20.000 7 7.46 27.4 3.7
262 2.10 0.50 1.14 30.000 40.000 20.000 5 7.96 39.6 2.6

263 0.90 0.30 1.00 35.000 40.000 27.000 3 3.50 25.0 8.0
264 2.50 0.80 1.50 30.000 40.000 18.000 8 5.25 33.0 9.0
265 1.00 0.40 2.00 35.000 40.000 18.000 4 9.00 28.0 8.0
266 1.50 0.30 1.40 32.000 33.000 25.000 7 5.40 29.0 5.0
267 1.00 0.30 0.50 32.000 45.000 28.000 4 7.20 37.0 11.0
268 1.00 0.20 0.50 32.000 40.000 20.000 4 6.48 28.0 11.0
269 1.40 0.20 1.00 30.000 40.000 18.000 4 0.67 30.0 10.0
270 3.40 1.00 1.00 35.000 50.000 20.000 4 16.75 28.0 12.0
271 2.10 0.50 1.00 35.000 40.000 22.000 5 12.34 40.0 8.0
272 0.50 1.00 1.50 35.000 40.000 25.000 4 12.00 22.0 12.0
273 3.50 1.00 1.00 30.000 40.000 22.000 5 10.80 27.0 10.0
274 2.00 1.00 1.00 40.000 40.000 20.000 3 26.00 54.0 12.0
275 1.60 0.40 0.43 30.000 40.000 20.000 4 6.90 30.0 10.0
276 1.20 0.70 0.70 30.000 40.000 18.000 7 3.86 28.0 12.0
277 1.40 0.60 3.00 28.000 40.000 20.000 6 8.80 40.0 8.0
278 1.50 0.42 0.50 34.000 40.000 20.000 4 2.13 22.0 12.0
279 0.50 0.50 0.33 30.000 40.000 20.000 3 4.00 27.0 10.0
280 1.50 0.42 0.50 30.000 40.000 25.000 4 5.10 54.0 12.0
281 1.00 0.60 1.00 32.000 50.000 20.000 3 10.80 28.0 12.0
282 1.80 0.60 3.50 30.000 40.000 25.000 5 7.92 49.0 11.0
283 2.10 0.60 1.50 34.000 45.000 20.000 5 6.84 28.0 10.0
284 0.40 0.40 0.63 35.000 40.000 18.000 2 6.60 35.0 12.0
285 0.90 0.68 0.69 32.000 40.000 20.000 6 2.77 45.0 10.0
286 1.50 0.50 0.63 36.000 45.000 28.000 5 6.24 33.0 11.0
287 0.50 0.50 0.50 33.000 40.000 28.000 4 6.00 22.0 7.0
288 0.60 0.70 1.50 40.000 40.000 20.000 4 4.80 44.0 4.0
289 0.50 0.45 1.50 30.000 40.000 18.000 4 3.30 30.0 9.8
290 0.90 0.40 0.25 35.000 35.000 23.000 6 5.60 31.0 6.0
291 0.90 0.35 0.60 30.000 40.000 20.000 3 4.00 36.0 7.0
292 1.20 0.60 0.50 30.000 45.000 23.000 3 10.10 27.0 14.0

293 1.75 0.82 1.50 35.000 40.000 20.000 7 4.29 50.0 4.5
294 1.00 0.40 0.50 36.000 40.000 20.000 3 9.77 43.3 6.3
295 3.50 0.84 1.00 35.000 40.000 25.000 7 2.34 33.7 3.6
296 3.50 1.20 1.20 30.000 50.000 28.000 6 8.40 38.3 7.3
297 1.14 0.25 1.67 35.000 40.000 18.000 4 9.13 30.9 5.3
298 3.00 1.60 2.80 30.000 40.000 20.000 4 3.00 24.5 5.5
299 1.50 0.21 2.00 20.000 40.000 20.000 4 5.35 21.0 7.0
300 0.30 0.48 0.47 35.000 40.000 20.000 4 4.69 31.3 5.5
301 2.00 2.00 4.20 35.000 40.000 28.000 6 40.64 35.3 13.5
302 1.50 1.13 0.86 34.000 40.000 22.000 5 3.97 38.4 4.0
303 1.50 0.50 0.53 35.000 32.000 22.000 7 3.21 37.1 8.9
304 2.00 0.75 0.50 35.000 40.000 22.000 2 6.08 50.0 8.5
305 0.70 0.36 0.50 26.000 40.000 18.000 3 4.00 31.7 8.7
306 1.00 0.72 0.28 30.000 40.000 22.000 6 2.00 29.9 4.1
307 0.24 0.48 0.47 33.000 40.000 20.000 4 2.25 26.3 1.0
308 1.50 0.25 1.20 35.000 40.000 20.000 3 10.03 24.0 8.3
309 0.90 0.48 0.47 35.000 40.000 20.000 4 3.90 80.5 9.3
310 0.40 0.36 0.36 30.000 40.000 20.000 3 3.00 18.0 3.0
311 1.07 0.72 1.00 28.000 40.000 26.000 6 4.90 35.7 8.8
312 0.70 0.20 1.00 35.000 40.000 25.000 3 5.60 20.3 11.0
313 1.80 0.60 0.50 30.000 40.000 18.000 4 12.13 24.8 8.3
314 1.40 0.40 1.00 35.000 40.000 15.000 5 12.87 26.2 10.3
315 0.60 0.60 1.31 35.000 40.000 16.000 5 2.40 28.8 6.6
316 1.50 0.84 1.50 35.000 40.000 20.000 7 1.32 27.3 3.0
317 2.00 1.20 1.00 30.000 40.000 15.000 10 1.89 33.3 6.9
318 1.50 1.00 1.50 30.000 40.000 28.000 6 10.21 38.0 10.5
319 0.30 0.48 0.50 30.000 40.000 20.000 4 6.00 39.0 2.5
320 2.00 0.30 1.00 35.000 40.000 18.000 4 6.88 21.0 2.8
321 2.00 0.30 0.38 32.000 35.000 28.000 6 6.55 21.8 7.0
322 1.50 0.30 0.50 30.000 40.000 20.000 4 3.00 18.3 6.0

323 1.00 0.60 1.00 35.000 35.000 18.000 6 5.60 32.2 6.6
324 0.60 0.60 1.00 30.000 40.000 18.000 5 5.04 25.3 4.8
325 0.80 0.40 0.45 35.000 40.000 18.000 5 2.00 16.4 3.5
326 0.60 1.60 2.00 32.000 34.000 35.000 8 3.51 32.6 8.5
327 0.20 0.30 0.75 32.000 40.000 28.000 4 4.95 43.3 4.3
328 1.50 0.40 0.25 32.000 35.000 18.000 3 4.80 23.0 8.0
329 2.00 0.88 1.00 30.000 40.000 18.000 7 4.46 35.6 6.0
330 0.60 1.25 1.25 35.000 40.000 20.000 10 3.66 25.4 8.0
331 0.40 0.50 0.50 35.000 40.000 20.000 4 5.10 40.3 4.0
332 4.00 0.50 3.20 35.000 40.000 25.000 7 5.66 20.9 10.4
333 1.50 0.00 1.50 30.000 40.000 25.000 3 4.80 17.7 10.0
334 3.50 0.30 1.00 40.000 35.000 17.000 5 2.40 19.4 6.3
335 0.50 0.20 1.00 30.000 40.000 20.000 5 3.36 33.4 10.8
336 2.10 0.15 0.25 30.000 35.000 18.000 3 3.60 55.0 4.7
337 1.00 0.30 0.75 28.000 33.000 20.000 6 4.93 23.3 8.8
338 1.00 0.63 3.75 34.000 40.000 16.000 5 4.32 24.0 8.8
339 0.50 0.75 0.50 30.000 40.000 25.000 6 2.03 17.3 6.6
340 0.80 0.50 0.50 30.000 50.000 25.000 6 1.60 25.0 6.2
341 1.00 0.60 0.35 32.000 40.000 20.000 4 2.80 31.8 8.3
342 2.00 0.23 1.50 30.000 40.000 20.000 5 3.60 30.8 9.0
343 3.50 1.50 0.70 34.000 45.000 27.000 8 4.50 27.0 10.3
344 1.00 1.20 0.23 35.000 35.000 22.000 5 3.12 21.6 8.5
345 0.50 0.75 2.00 32.000 40.000 20.000 6 2.74 22.5 7.3
346 0.30 0.25 0.35 36.000 40.000 25.000 2 1.80 73.0 5.0
347 0.50 0.53 0.50 33.000 40.000 20.000 4 10.75 41.5 15.0
348 3.00 0.93 1.50 40.000 40.000 20.000 7 4.71 31.3 5.8
349 3.00 0.84 1.00 30.000 40.000 20.000 6 2.74 23.3 8.6
350 1.20 0.86 0.50 35.000 40.000 28.000 6 4.94 31.0 12.2
351 0.80 0.60 1.20 30.000 40.000 22.000 5 8.00 40.4 11.6
352 1.80 0.90 1.50 30.000 40.000 22.000 4 6.90 29.3 14.3

353 1.00 0.60 0.50 35.000 40.000 20.000 4 2.10 22.3 6.0
354 3.00 0.20 2.00 36.000 40.000 24.000 4 4.50 32.8 10.7
355 0.90 0.45 1.00 35.000 40.000 25.000 3 4.00 24.0 12.0
356 0.60 0.45 1.00 30.000 40.000 24.000 4 5.10 23.8 7.0
357 2.80 1.00 2.00 35.000 30.000 22.000 4 6.00 19.3 7.7
358 0.60 0.45 1.00 30.000 40.000 18.000 3 5.44 19.0 10.5
359 0.70 0.40 1.00 20.000 35.000 20.000 8 2.25 31.1 5.4
360 2.00 1.00 0.60 30.000 45.000 25.000 5 23.00 24.0 10.4
Yêu cầu: Thực hiện bằng Excel và Eviews.
1. Chạy các hàm hồi qui đa biến dạng tuyến tính cho từng loại sản phẩm chăn nuôi
Heo, Bò, và Gà theo mô hình sau:
Q
i
= f(Pheo, Pbò, Pgà, Thu nhập BQ/người, Số người trong hộ, Độ tuổi
BQ/hộ, Học vấn bình quân của hộ).
Trong đó: Q
i
= lượng thịt i tiêu thụ bình quân đầu người (kg)/tuần (i = heo, bò,
hoặc gà).
Anh/Chị cho biết các dự báo về dấu của tham số của các biến trước khi chạy
mô hình này, và đối chiếu với kết quả chạy thực tế. Giải thích các sự phù hợp hay
không phù hợp của dấu các tham số của các biến độc lập.
2. Như câu hỏi 1 nhưng mô hình dạng logarithm.
3. Anh/chị hãy tính hệ số co giãn của cầu theo thu nhập của từng loại sản phẩm
dựa vào kết quả ước lương của mô hình ở câu 2.
Bài 3: Một số dạng hàm.
Câu 1: Có tài liệu về GDP tính theo giá hiện hành của Việt Nam trong giai đoạn
1995-2007 như sau (tỷ USD):
Năm GDP(Tỷ USD) Năm GDP(Tỷ USD)
1995 20.737 2002 35.104

1996 24.659 2003 39.612
1997 28.175 2004 45.538
1998 29.477 2005 53.041
1999 29.003 2006 61.001
2000 31.161 2007 70.943
2001 32.503
Yêu cầu:
a) Biểu thị số liệu GDP theo thời gian lên đồ thị.
b) Giả sử GDP tăng theo hàm Y
t
= β
1
+ β
2
T + u
t
. Hãy ước lượng các tham số β
j.
c) Giả sử GDP tăng theo hàm Y
t
= Y
0
(1 + r)
T
e
Ut
. Hãy tuyến tính hóa mô hình này
và ước lượng các tham số của mô hình. Giải thích ý nghĩa của các tham số ước
lượng được.
Câu 2: Có tài liệu về tỷ lệ tăng hàng năm về tiền lương (Y) và tỷ lệ thất nghiệp

(X) ở một quốc gia trong giai đoạn 1950-1967 như sau:
Năm Y (%) X (%) Năm Y (%) X (%)
50 1.8 1.4 59 2.6 1.9
51 8.5 1.1 60 2.6 1.5
52 8.4 1.5 61 4.2 1.4
53 4.5 1.5 62 3.6 1.8
54 4.3 1.2 63 3.7 2.1
55 6.9 1.0 64 4.8 1.5
56 8.0 1.1 65 4.3 1.3
57 5.0 1.3 66 4.6 1.4
58 3.6 1.8 67 4.7 1.4
Yêu cầu:
a) Biểu diễn số liệu lên đồ thị?
b) Hãy ước lượng các tham số của mô hình hy-pec-bon?
c) Biểu diễn kết quả lên cùng đồ thị ở câu 1. Giải thích kết quả tính toán.