BÁO CÁO KINH TẾ LƯỢNG: THỰC HIỆN NGHIÊN CỨU BỘ DỮ LIỆU SỐ 30 VÀ 78 (bộ số liệu số 30 về tiền lương và bộ số liệu số 78 về chi tiêu hộ gia đình)

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG
-------***-------

BÁO CÁO
KINH TẾ LƯỢNG
NHÓM 3- THỰC HIỆN NGHIÊN CỨU BỘ DỮ LIỆU SỐ 30 - 78
Danh sách thành viên:
1.
2.
3.
4.
5.
6.

Vũ Đức Huy (Trưởng nhóm)
Nguyễn Thị Hường
Nguyễn Thị Hường
Trần Thị Ánh Huyền
Phạm Thị Khánh Huyền
Vũ Thị Ngọc Huyền

Hà Nội, tháng 04 năm 2014

- 1213330038
- 1211330035
- 1211330036
- 1213310045
- 1211110315
- 1213310048

NHÓM 8

MỤC LỤC

2


NHÓM 8

Lời mở đầu
Trong bối cảnh xã hội đang ngày càng phát triển, kinh tế lượng đã và đang là một môn khoa học
có nhiều ứng dụng trong thực tế, đặc biệt là các vấn đề liên quan đến kinh tế. Kinh tế lượng cung cấp
những công cụ đắc lực giúp các nhà kinh tế học có thể phân tích các số liệu thống kê được thu thập. từ đó
đưa ra các dự báo về các hiện tượng kinh tế.
Xét trên phạm vi các trường đại học thuộc khối ngành kinh tế, bộ môn kinh tế lượng đang trở
thành một trong số những bộ môn quan trọng cung cấp những kiến thức về lý thuyết và thực hành giúp
cho sinh viên có thể học tập và nghiên cứu những chuyên ngành hẹp của mình. Là những sinh viên khối
ngành kinh tế, chúng em ý thức rõ được sự cần thiết trong việc học tập và nghiên cứu môn kinh tế lượng.
Để hiểu rõ hơn, nhóm chúng em xin được xây dựng bài Báo cáo kinh tế lượng phân tích những số liệu
thống kê nằm trong bộ số liệu số 30 về tiền lương và bộ số liệu số 78 về chi tiêu hộ gia đình nhằm đưa ra
những phân tích và những dự báo của các yếu tố ảnh hưởng đến hai vấn đề kinh tế này.
Chúng em xin chân thành cảm ơn cô Đinh Thị Thanh Bình đã giúp đỡ chúng em thực hiện bài báo cáo
này. Do kiến thức còn nhiều hạn chế nên bài báo cáo còn nhiều sai sót, chúng em mong nhận được sự
góp ý và phê bình của cô để bài báo cáo của nhóm chúng em hoàn thiện hơn.

3


NHÓM 8

BỘ SỐ 30

Bộ số 30
I.

Mô hình lý thuyết:

1. Vấn đề nghiên cứu và mô hình lý thuyết:
Trong bối cảnh nền kinh tế đang trong giai đoạn phục hồi, chúng ta đang có nhiều hơn những cơ hội tìm
được việc làm.Đi cùng với đó, mức lương là một vấn đề đang được những người có mong muốn tìm
được việc làm quan tâm tới.Có rất nhiều yếu tố sẽ tác động đến mức lương cũng mỗi người. Trong bộ số
liệu số 30, nhóm đã chọn ra những biến sau để nghiên cứu bao gồm:

. des lwage lswage exper highgrad college grad polytech
storage

display

variable name

value
type

format

label

variable label

----------------------------------------------------------------------------------------------------------------------------------lwage

float

%9.0g

log(wage)

lswage

float

%9.0g

log(swage)

exper

byte

%8.0g

years on current job

highgrad

byte

%8.0g

=1 if high school graduate

college

byte

%8.0g

=1 if college graduate

grad

byte

%8.0g

=1 if some graduate school

polytech

byte

%8.0g

=1 if a polytech

Các biến sẽ được mô tả chi tiết trong bảng sau:

4

NHÓM 8

BỘ SỐ 30

Tên biến
Biến

phụ lwage

thuộc(Y)

Ý nghĩa

Dấu
vọng

kì

Diễn giải

Logarit cơ số e của mức
lương hiện tại

lswage

Logarit cơ số e của mức
lương khởi đầu

Mức lương khởi đầu cao
+

dẫn đến mức lương hiện tại
cao

exper

Số năm kinh nghiệm trong
công việc hiện tại

highgrad

Tốt nghiệp trung học phổ
thông (biến giả =1 nếu chỉ
tốt nghiệp phổ thông,=0 với

Các biến độc college
lập (Xi)

nhiều

năm

kinh

nghiệm lương càng cao
Tốt nghiệp trung học sẽ có

+

mức lương cao hơn những

người chưa tốt nghiệp trung
học

Tốt nghiệp đại học (biến giả

Tốt nghiệp đại học sẽ có

=1 nếu tốt nghiệp đại

+

mức lương cao hơn những
người chưa tốt nghiệp trung

còn lại)

học

Tốt nghiệp cao học (biến

Tốt nghiệp cao học sẽ có

giả, =1 nếu tốt nghiệp cao
học, =0 với các trường hợp
polytech

Càng

các trường hợp còn lại)

học,=0 với các trường hợp
grad

+

+

mức lương cao hơn những
người chưa tốt nghiệp trung

còn lại)

học

Tốt nghiệp cao đẳng (biến

Tốt nghiệp cao đẳng sẽ có

giả, =1 nếu tốt nghiệp cao
đẳng,=0 với các trường hợp
còn lại)

+

mức lương cao hơn những
người chưa tốt nghiệp trung
học
5

NHÓM 8

BỘ SỐ 30

. summarize lwage lswage exper highgrad college grad polytech

Variable |

Obs

Mean

Std. Dev.

Min

Max

-------------+-------------------------------------------------------lwage |
lswage |
exper |

403

10.36319

403
403

9.678186

highgrad |

11.54974

9.185022

1.751101

.4119107

403

9.674074

.3551116

13.51365
403

college |

.4018362

11.0021

6

17

.1191067

.4927909

0

.3243167

1

0

1

-------------+-------------------------------------------------------grad |
polytech |

403

.1191067
403

.2704715

.3243167
.4447555

0

1

0

1

2. Mục đích và lý do lựa chọn các biến:
Mục đích của việc lựa chọn mô hình này nhằm tìm hiểu sự tác động của mức lương khởi đầu, số năm
kinh nghiệm đối với mức lương hiện tại cùng với việc tìm hiểu sự khác nhau trong mức lương của những
người đã tốt nghiệp cấp 3 và cao hơn với những người chưa tốt nghiệp cấp 3.
Vì trong thực tế, mối quan hệ giữa các hiện tượng kinh tế hầu hết là mối quan hệ phi tuyến. Do đó, nhóm
đã lựa chọn sử dụng hàm log thay cho việc sử dụng hàm tuyến tính để kết quả phân tích có thể chính xác
hơn.

3. Mối quan hệ từng biến độc lập với biến phụ thuộc:

6


NHÓM 8

log(wage)
10.5

11

11.5

BỘ SỐ 30

Mối quan hệ giữa lwage và

9.5

10

lswage

9.5

10
log(swage)

10.5

11

11

11.5

9

9.5

10

log(wage)
10.5

Mối quan hệ giữa lwage và
exper

5

10

years on current job

15

20

7


NHÓM 8

log(wage)
10.5

11

11.5

BỘ SỐ 30

9.5

10

Mối quan hệ giữa lwage và

highrad

.2

.4
.6
=1 if high school graduate

.8

1

11

11.5

0

9.5

10

log(wage)
10.5

Mối quan hệ giữa lwage và
college

0

.2

.4
.6
=1 if college graduate

.8

1

8


NHÓM 8

11

11.5

BỘ SỐ 30

9.5

10

log(wage)
10.5

Mối quan hệ giữa lwage và
grad

.2

.4
.6
=1 if some graduate school

.8

1

11.5

0

9.5

10

log(wage)
10.5

11

Mối quan hệ giữa lwage và
polytech

0

.2

.4
.6
=1 if a polytech

.8

1

9


NHÓM 8

II.

BỘ SỐ 30

Chạy mô hình:

Mô hình hồi quy:
Hàm hồi quy Tổng thể:

Hàm hồi quy Mẫu

. reg lwage lswage exper highgrad college grad polytech
Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F(

6,

403

396) =

311.53

Model |

53.5639836

6

8.92733061

Prob > F

=

0.0000

Residual |

11.3478911

396

.028656291

R-squared

=

0.8252

Adj R-squared =

0.8225

Root MSE

.16928

-------------+-----------------------------Total |

64.9118748

402

.161472325

=

-----------------------------------------------------------------------------lwage |

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------lswage |

.8330333

exper |

.0147612

highgrad |
college |
grad |

.0447714
.0048567

.0452978
.2446956

.2473643

polytech |

.0327002

.0566153

.4335095

.1095855

.1557284

0.000

.3336627

.1360602

0.000
4.59

.0243095

-.0189898

0.000

3.61

.9210527

.005213

0.167

5.41
4.37

.745014

0.003

1.39

.0354796

1.989538

0.000

3.04

.0452535

.1281387

_cons |

18.61

0.000

.3586684

.0583868
1.13727

.1978906
2.841806

------------------------------------------------------------------------------

10


NHÓM 8

BỘ SỐ 30

Ta được hàm hồi quy mẫu SRF:

•
•
•

•
•
•
•

Phân tích kết quả hồi quy:
+ Ý nghĩa các hệ số hồi quy:
1= 0.8330333>0, chứng tỏ khi các yếu tố khác không đổi khi lương khởi điểm swage tăng 1% thì
lương hiện tại wage sẽ tăng 0.8330333%
= 0.0147612>0, chứng tỏ khi các yếu tố khác không đổi số năm kinh nghiệm tăng lên 1 năm thì
lương hiện tại wage sẽ tăng 0.015%
3 = 0.453>0 nhưng p-value = 0.167> 0.05 chứng tỏ biến highgrad không ảnh hưởng đến sự thay đổi
của biến wage
4 = 0,245>0, khi các yếu tố khác không đổi người có trình độ đại học sẽ có tốc độ tăng lương cao
hơn người chưa tốt nghiệp trung học 0,245%
0,247>0, khi các yếu tố khác không đổi người có trình độ cao học sẽ có tốc độ tăng lương cao hơn
người chưa tốt nghiệp trung học 0,247%
= khi các yếu tố khác không đổi người có trình độ cao đẳng sẽ có tốc đọ tăng lương cao hơn người
chưa tốt nghiệp trung học 0,128%
1,9895, các yếu tố khác không đưa vào mô hình nếu tăng thêm 1 đơn vị của giá trị trung bình các
yếu tố đó thì lương sẽ tăng thêm 0,0199%
2

+

Độ phù hợp của hàm hồi quy:

R2(R-squared)=0,8252 chỉ ra rằng 82,52% sự biến động của lwage là do các biến độc lập gây ra

11

NHÓM 8

BỘ SỐ 30

III. Kiểm định mô hình:
1. Ý nghĩa của hệ số hồi quy
Giả thuyết:
Sử dụng giá trị tới hạn:

Có 1,96
+ β1
tqs 1 = 18,61>1,96
bác bỏ Ho

+β2
tqs 2 =3,04>1,96
 Bác bỏ Ho

+ β3:
tqs 3 =1,39<1,96
chấp nhận Ho với mức ý nghĩa 5%

+β4:
tqs 4 = 5,41>1,96
bác bỏ Ho

+β5:
12

NHÓM 8

BỘ SỐ 30

Tqs5 = 4,37>1,96
bác bỏ Ho
+β6:
Tqs6=3,61>1,96
bác bỏ Ho

Kết luận: Vậy trong các hệ số góc của hồi quy, với mức ý nghĩa 5% chỉ có hệ số β3 không có ý
nghĩa thống kê

2. Kiểm định toàn bộ hệ số hồi quy
Giả thuyết:

Từ kết quả stata ta thấy rằng: F=311,53>2,12
 Bác bỏ Ho
 Mô hình phù hợp ở mức ý nghĩa 5%

3. Kiểm định đa ràng buộc tuyến tính:
Trong kiểm định ta thấy chỉ có biến highgrad có thể bị loại ra khỏi mô hình nhưng đây là một biến thể
hiện 1 trong các phạm trù của biến thể hiển trình độ học vấn. Ta tiến hành chạy mô hình bị ràng buộc với
q= 4 biến độc lập highgrad, grad, college, polytech bị loại khỏi mô hình trên, tức là chỉ chạy lênh hồi
quy với biến độc lập lswage, exper

. reg lwage lswage exper

Source |

SS

df

MS

-------------+------------------------------

Number of obs =
F(

2,

400) =

403
843.08

13


NHÓM 8

BỘ SỐ 30

Model |

52.4657235

2

26.2328618

Prob > F

=

0.0000

Residual |

12.4461513

400

.031115378

R-squared

=

0.8083

Adj R-squared =

0.8073

-------------+-----------------------------Total |

64.9118748

402

.161472325

Root MSE

=

.1764

-----------------------------------------------------------------------------lwage |

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------lswage |
exper |

1.021818
.0165094

_cons |

.0248871
.0050469

.2507478

41.06
3.27

.2566338

0.000
0.001
0.98

.9728919
.0065876
0.329

1.070744
.0264312

-.2537719

.7552674

------------------------------------------------------------------------------

Xét 2 mô hình:
(UR): Y = 0+1*lswage+2*exper+3*highgrad+4*grad+5*college+ β6*polytech
(R): Y = 0 +1*lswage+ β2*exper
Giả thuyết:
Từ 2 bảng hồi quy trên ta có:
(UR) gồm 6 tham số, cóR-squared=0.8252;, n-k-1 = 403-6-1=396 bậc tự do.
(R) gồm k-q = 6-4=2 tham số, có R-squared=0.8083;
Áp dụng công thức kiểm định Wald, ta có:
(RR ) /q
F=
(1 R ) / (nk1)

~ F(q,n-k-1) (mức ý nghĩa =5%)

F0 = = 9.5715 > F(4,396) = 2,39
Bác bỏ H0
Không nên loại các phạm trù thể hiện trình độ học vấn ra ngoài mô hình.

14


NHÓM 8

BỘ SỐ 30

4. Kiểm tra các khuyết tật của mô hình :
a.

Kiểm định đa cộng tuyến:

Mô hình tốt là mô hình phải đạt được các tính chất BLUE (tuyến tính, không chệch, hiệu quả nhất). Tuy
nhiên trên thực tế do xây dựng sai mô hình hoặc do bản chất của dữ liệu, dẫn tới mô hình không đạt được
đầy đủ các tính chất trên. Một trong những vấn đề ảnh hưởng đến mô hình mà ta gọi là vi phạm các giả
định, đó là Đa cộng tuyến.
Bây giờ chúng ta sẽ khảo sát mô hình có bị đa cộng tuyến hay không.
Cách 1:Tương quan cao giữa các biến:
Nếu các biến có tương quan cao với nhau (r > 0.8) thì có thể xảy ra đa cộng tuyến.
Sử dụng Stata để tính hệ số tương quan giữa các biến:
. corr lswage exper highgrad college grad polytech
(obs=403)
|
lswage
exper highgrad college
grad polytech
-------------+-----------------------------------------------------lswage |
1.0000
exper | -0.0949
1.0000
highgrad | -0.5204
0.0050
1.0000
college |
0.2938
0.0278 -0.3077
1.0000
grad |
0.7092 -0.0905 -0.3077 -0.1352
1.0000
polytech | -0.0324
0.0288 -0.5096 -0.2239 -0.2239

1.0000

Có thể thấy hệ số tương quan giữa các biến đều tương đối thấp, do vậy có cơ sở để
kết luận không có đa cộng tuyến trong mô hình.
Cách 2:Sử dụng VIF:
Chúng ta biết rằng, nếu VIF > 10 thì cũng có thể xảy ra đa cộng tuyến.
Sử dụng Stata để tính VIF:

. vif
Variable |

VIF

1/VIF

-------------+----------------------

15


NHÓM 8
grad |

BỘ SỐ 30
4.73

highgrad |

3.64

lswage |

0.274516

3.55

polytech |

0.282009

3.49

college |
exper |

0.211441

0.286282

3.02
1.01

0.330941
0.985557

-------------+---------------------Mean VIF |

3.24

Ta thấy VIF đều tương đối nhỏ, như vậy có cơ sở để kết luận mô hình không có đa cộng tuyến.

Như vậy cả 2 cách kiểm định đều cho cùng một kết luận: mô hình không có đa cộng tuyến.
b.

Kiểm định phương sai sai số thay đổi:

Một vấn đề khác mà mô hình cũng có thể gặp phải, đó là phương sai của sai số thay đổi.Điều này không
ảnh hưởng đến tính không chệch, nhưng làm cho mô hình kém hiệu quả hơn.
Bây giờ ta cùng kiểm định xem có xảy ra hiện tượng phương sai sai số thay đổi trong mô hình không.

-.5

0

Residuals

.5

1

Cách 1: Sử dụng đồ thị:
Sử dụng lệnh vẽ đồ thị trong Stata:

10

10.5

Fitted values

11

11.5

Cách 2:Kiểm định White:
16


NHÓM 8

BỘ SỐ 30

Cặp giả thiết:

Sử dụng lệnh imtest, white trong Stata để kiểm định:

. imtest,white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(17)

=

23.52

Prob >chi2

=

0.1330

Cameron & Trivedi's decomposition of IM-test

--------------------------------------------------Source |

chi2

df

p

---------------------+----------------------------Heteroskedasticity |

23.52

17

0.1330

Skewness |

6.91

6

0.3294

Kurtosis |

1.45

1

0.2278

---------------------+----------------------------Total |

31.89

24

0.1298

---------------------------------------------------

Từ 2 cách kiểm định trên, ta thấy rằng mô hình không mắc lỗi phương sai sai số thay đổi.

17


NHÓM 8

c.

BỘ SỐ 30

Kiểm định phân phối chuẩn của sai số:

Trong các giả định của mô hình hồi quy tuyến tính, có một giả định quan trọng đó là u i ~ U(0;σ2). Tuy
nhiên trên thực tế có nhiều nhân tố ảnh hưởng tới phân phối của u i, làm cho nó không còn phân phối
chuẩn nữa.Phân phối không chuẩn khiến cho các kiểm định và suy diễn thống kê không còn đáng tin cậy
nữa.
Bây giờ ta cùng kiểm định xem mô hình có gặp phải vấn đề phân phối không chuẩn (đối với u và cả biến

phụ thuộc) hay không.
Cách 1:Sử dụng đồ thị:
Sử dụng Stata và vẽ đồ thị phân phối của phần dư trong mô hình:

0

.5

Density
1
1.5

2

2.5

Kernel density estimate

-.5

0

Residuals

.5

1

Kernel density estimate
Normal density

kernel = epanechnikov, bandwidth = 0.0435

Nhìn trên đồ thị có thể thấy phân phối của phần dư bị chệch so với phân phối chuẩn.Như vậy có cơ sở để
kết luận mô hình đang mắc phải vấn đề phân phối không chuẩn.
Cách 2:Kiểm định Skewness-Kurtosis:
Cặp giả thiết:
Sử dụng Stata để kiểm định:
. sktest r
Skewness/Kurtosis tests for Normality

18


NHÓM 8

BỘ SỐ 30

------- joint -----Variable |
Obs
Pr(Skewness)
Pr(Kurtosis) adj chi2(2)
Prob>chi2
-------------+--------------------------------------------------------------r |
403
0.0000
0.0000
43.57
0.0000

Ta thấy p-value = 0.0000 <α , bác bỏ H 0, suy ra có cơ sở để cho rằng phần dư phân phối không

chuẩn.
Như vậy 2 kiểm định đều cho thấy có dấu hiệu phần dư phân phối không chuẩn trong mô hình.

d.

Kiểm định tự tương quan:

Do dữ liệu trong mô hình là dữ liệu chéo nên không xảy ra tự tương quan. Chúng ta có thể bỏ qua bước
kiểm định này.

e.

Kiểm định định dạng mô hình:
Sử dụng lệnh ovtest trong stata:
. ovtest

Ramsey RESET test using powers of the fitted values of lwage
Ho:
F(3, 393) =

model has no omitted variables
2.62
Prob > F =

0.0507

 Định dạng hàm đúng

19

NHÓM 8

BỘ SỐ 30

IV. Sửa lỗi mô hình:
Vì biến highgrad không có ảnh hưởng đến lương hiện tại nhưng lại là một phạm trù của biến giả nên ta
sửa bằng cách gộp biến highgrad và highdrop thành biến high có ý nghĩa là trình độ học vấn dưới trình độ
đại học.
Chạy lại mô hình ta được:
. gen high= highgrad+ highdrop

. reg lwage lswage exper college grad polytech

Source |

SS

df

MS

Number of obs =

-------------+------------------------------

F(

5,

403

397) =

372.59

Model |

53.5089948

5

10.701799

Prob > F

=

0.0000

Residual |

11.4028799

397

.028722619

R-squared

=

0.8243

Adj R-squared =

0.8221

Root MSE

.16948

-------------+-----------------------------Total |

64.9118748

402

.161472325

=

-----------------------------------------------------------------------------lwage |

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

-------------+---------------------------------------------------------------lswage |
exper |

.8348578

college |

.0146759

grad |

.2058017
.2076913

.0448038

18.63

.004862

3.02

.0355312
.0488935

0.000

5.79

0.003

4.25

0.000
0.000

.7467754
.0051175
.1359489
.1115687

.9229401
.0242343
.2756546
.3038139

20


NHÓM 8
polytech |

BỘ SỐ 30

_cons |

.089792
2.011422

.0222179
.4337226

4.04
4.64

0.000
0.000

.0461126
1.158742

.1334713
2.864102

------------------------------------------------------------------------------

Ta có mô hình mới:
= 2.0114 +0.01468exper + 0.83486lswage + 0.20580college +0.08979polytech + 0.20769grad

KẾT LUẬN
Như vậy nhóm chúng em đã hoàn thành xong mô hình kinh tế lượng về các yếu tố ảnh hưởng đến mức
lương hiện tại. Mô hình đã lượng hóa cho các yếu tố để chúng ta có biện pháp, chiến lược tăng lương
hiệu quả ( theo mô hình này, cách tốt nhất để có mức lương cao là tăng được lương khởi điểm ban đầu.
Ngoài ra, sẽ còn nhiều yếu tố ảnh hưởng đến biến phụ thuộc được nghiên cứu chưa được đưa vào mô
hình như giới tính, tình trạng hôn nhân… cần được xem xét để có báo cáo với kết quả chính xác hơn nữa.

21


NHÓM 8

BỘ SỐ 78

BỘ SỐ 78
I.

Mô hình lý thuyết:

1. Vấn đề nghiên cứu và mô hình lý thuyết:
Trong thực tế, việc chi tiêu trong hộ gia đình chịu sự chi phối tác động của nhiều yếu tố trong đó có
thể kể đến như mức thu nhập, số thành viên trong gia đình, tuổi của chủ hộ,… Trong phạm vi nghiên cứu
của mô hình này, nhà nghiên cứu đã xem xét và thu thập số liệu của 7 biến số. Tuy nhiên, trong quá trình
nghiên cứu, nhóm đã loại bỏ biến save (tiết kiệm) không đưa vào mô hình và chỉ đưa các biến sau đây

Mô tả ý nghĩa các biến :
. des cons inc size educ age black
storage

display

variable name

value
type

format

label

variable label

------------------------------------------------------------------------------cons

int

%9.0g

annual consumption, $

inc

int

%9.0g

annual income, $

size

byte

%9.0g

family size

educ

byte

%9.0g

years educ, household head

age

byte

%9.0g

age of household head

black

byte

%9.0g

=1 if household head is black

Các biến sẽ được mô tả chi tiết trong bảng sau:

22


NHÓM 8

BỘ SỐ 78
Tên biến

Biến

phụ cons

thuộc(Y)

Ý nghĩa

Dấu kì

Diễn giải

vọng

Chi tiêu hàng năm hộ
gia đình

inc

Thu nhập hàng năm hộ
gia đình

size

+

Số thành viên trong hộ

gia đình

Thu nhập cao thì chi
tiêu cao
Càng

+

nhiều

thành

viên thì chi tiêu càng
nhiều

age

Các

biến

độc

lập

(Xi)

educ

Tuổi của chủ hộ

-

Trình độ học vấn của
chủ hộ

Tuổi càng cao thì chi
tiêu sẽ ít đi
Người có trình độ học

-

vấn cao sẽ chi tiêu ít
hơn

black

Màu da của chủ hộ

Người da màu có xu

(biến giả, bằng 1 nếu

hướng chi tiêu ít hơn

chủ hộ da màu, bằng 0

-

nếu chủ hộ không phải

da màu)

2.

Mối quan hệ từng biến độc lập với biến phụ thuộc:

23


NHÓM 8

annual consumption, $
0
10000
20000

30000

BỘ SỐ 78

-10000

Mối quan hệ giữa cons và inc

10000

20000
annual income, $

30000

annual consumption, $
0
10000
20000

30000

0

-10000

Mối quan hệ giữa cons và size

2

4

6
family size

8

10

24


NHÓM 8

annual consumption, $
0
10000
20000

30000

BỘ SỐ 78

-10000

Mối quan hệ giữa cons và age

0

5

10
years educ, household head

15

20

25