Lý thuyết, mô hình kinh tế, xác định dấu, mô hình kinh tế lượng

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG
KHOA KINH TẾ QUỐC TẾ

BÀI TẬP KINH TẾ LƯỢNG
Giảng viên hướng dẫn: ThS. Đặng Thái Long

Lớp KTE309.5
Nhóm thực hiện bao gồm:
Nguyễn Thanh Minh 1211110445
Lê Đức Quyết
1211110552
Lùng Thị Ngọc Ánh 1111510019
Nguyễn Thị Thùy Dương 1111510029

Hà Nội, tháng 4 năm 2014


I.Lý thuyết, mô hình kinh tế, xác định
dấu, mô hình kinh tế lượng
* Ta có khái niệm các biến số như sau:
qdpass : tổng quĩ tiền gửi tiết kiệm được gửi trong các tài khoản tại S&Ls tại nước Mĩ (là các tiền
gửi tiết kiệm, có kỳ hạn, lãi suất thấp và không thể viết séc)
qydus: thu nhập khả dụng của nước Mĩ tại quí t, tính theo giá trị danh nghĩa
qyperm: thu nhập khả dụng của nước Mĩ tại quí t, tính theo giá trị thực tế
branch: số các chi nhánh của S&Ls tại quí t
qrdpass: lãi suất trung bình của các tài khoản tiền gửi tạ S&L
qrtb3y: lãi suất trung bình của tín phiếu chính phủ kỳ hạn 3 tháng
expinf: tỷ lệ lạm phát dự kiến
spread: chênh lệch lãi suất tài khoản tiết kiệm và tín phiếu chính phủ
* Mô tả dữ liệu
1. Tóm tắt thống kê số liệu

2. Ma trận hệ số tương quan

2


* Theo như lý thuyết kinh tế trong nghiên cứu về vĩ mô học ta có quan điểm sau đây
-Khi thu nhập khả dụng của Mĩ tăng lên thì cả tiêu dùng và tiết kiệm của Mĩ sẽ đều tăng lên, tiết
kiệm của Mĩ tăng lên MPS đô la khi thu nhập khả dụng tăng lên 1 đô la với 0< MPS<1=> ta có thể
giả định là khi thu nhập khả dụng tăng lên 1 đơn vị thì tổng quĩ tiền gửi tiết kiệm tại S&Ls sẽ tăng
lên MPS* đơn vị ( với 0gửi tại S&Ls mà còn các khoản tiền gửi có khả năng viết séc, dự trữ tại nhà,...
=> ta có thể coi là biến qydus và qyperm đều có ảnh hưởng tới biến qdpass với hệ số của qydus và
qyperm sẽ được dự đoán là lớn hơn 0 và nhỏ hơn 1
*Theo như lý thuyết kinh tế vĩ mô ta có quan điểm sau:
Khi lạm phát tăng cao lên thì khoản lãi thực tế thu được sẽ giảm đi vì lãi suất thực tế = lãi suất danh
nghĩa- tỷ lệ lạm phát dự kiến, trong khi đó lãi suất danh nghĩa của các khoản tiền gửi tại S&Ls lại
tương đối ổn định. Như vậy khi lạm phát dự dự kiến tăng lên thì sẽ khiến người dân sẽ lựa chọn
hình thức gửi tiết kiệm có mang lại lãi suất danh nghĩa cao hơn. Do lãi suất của S&Ls không thay
đổi nhiều, nên có thể dự đoán lạm phát tăng lên người dân sẽ rút tiền ra khỏi S&Ls
=> ta có thể dự đoán là biến expinf có ảnh hưởng nghịch chiều đến biến qdpass
* Lỹ thuyết kinh tế vĩ mô cho thấy:
Chi phí đi lại, chi phí giao dịch cũng có ảnh hưởng rất lớn đến việc người dân có tăng hay giảm
tiền gửi vào S&Ls. Khi số lượng chi nhánh S&L tăng lên, chi phí đi lại sẽ giảm đi, sẽ làm cho
lượng tiền gửi đến S&Ls sẽ tăng lên
=> có thể cho rằng biến branch có ảnh hưởng thuận chiều đến biến qdpass
* Theo lý thuyết nghiên cứu của bộ môn tài chính tiền tệ có một quan điểm khác:
Lượng tiền gửi vào S&Ls chịu ảnh hưởng của chênh lệch lãi suất giữa nó và các khoản tiết kiệm
khác. Nếu chênh lệch này tăng lên, chi phí cơ hội của việc gửi vào S&Ls sẽ giảm đi, vì vậy người
dân sẽ rút tiền từ các kênh tiết kiệm khác để đưa vào tài khoản S&Ls

=> có thể cho rằng biến spread có ảnh hưởng thuận chiều đến biến qdpass
* Ta có mô hìnhlý thuyết kinh tế như sau:
QDPASS=f(qydus, pyperm,branch,expinf,spread)
* Ta có mô hình kinh tế lượng như sau:
3


qdpasst  1   2 * qydust  3 * pypermt   4 * brancht   5 * exp inf t   6 * spread t  ut
* Dự đoán dấu theo các lý thuyết kinh tế như sau:
Biến số
qydus
pyperm
branch
expinf
spread
*. hồi qui mô hình bằng phương pháp OLS

Dấu
dương
dương
dương
âm
dương

*Ta có các hệ số ước lượng như sau:
b1=47404.85
b2=198.7835
b3=-245.8839
b4=8.562456
b5=-227.1634

b6=2977.21
*Ý nghĩa:
*Ta có hệ số xác định của mô hình R2=0.9303
*Ý nghĩa
III. Kiểm định ý nghĩa thống kê của các hệ số ước lượng hồi qui và độ phù hợp của mô hình
III.1 Kiểm định ý nghĩa thống kê của các hệ số ước lượng hồi qui

4


Sử dụng giá trị Pvalue
+ Nếu pi value<  =5% thì hệ số bi (i=2,3,4,5,6) có ý nghĩa về mặt thống kê ở mức  =5%
và ngược lại
+ Theo như bảng trên ta có tất cả các ước lượng của các hệ số hồi qui đều có ý nghĩa thống
kê ở mức ý nghĩa  =5% trừ ước lượng của hệ số hồi qui ứng với biến số expinf
III.2Kiểm mức độ phù hợp của mô hình:

Kiểm định hệ giả thuyết thống kê

�H 0 : i  0
(i  2,3, 4,5, 6)
�
�H1 : i �0

Sử dụng giá trị pvalue

+ Nếu p value(F)<  =5% thì mô hình có ý nghĩa về mặt thống kê ở mức  =5% và ngược
lại

Ta có pvalue(F)=0.0000< 5%=> mô hình hồi qui phù hợp ở mức ý nghĩa 5%

IV. Kiểm định bỏ biến và bỏ biến nếu cần thiết
Do biến expinf không có ý nghĩa về mặt thống kê nên ta muốn kiểm định xem có bỏ được biến
expinf ra khỏi mô hình hay không
Ta hồi qui mô hình sau:

qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * exp inf t   6 * spread t  ut
và mô hình sau:

qdpasst  1   2 * qydust  3 * pypermt   4 * brancht   5 * spreadt  ut

5


ta xét hệ giả thuyết sau:

H o : 5  0
H1 : 5 �0
F(1, 34)
right-tail probability = 0.05
complementary probability = 0.95

Critical value = 4.13002

Fqs 

( R 2 (U )  R 2 ( R)) / m
( m , n  k (U ))
(1  R 2 (U )) / (n  k (U )) =0.2439< f

*sử dụng kiểm định Fisher ta có:

=4.13002(với m=1;n=40;k=6)=> không có cơ sở bác bỏ H0=> mô hình ban đầu có thể bỏ
được biến expinf
*Vậy ta xét mô hình sau đây sau khi bỏ biến expinf
qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spread t  ut
V. Kiểm định đa cộng tuyến và sửa lỗi mô hình khi có hiện tượng đa cộng tuyến
V.1 Kiểm định đa cộng tuyến
Ta xét mô hình

qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spreadt  ut

6


*Sử dụng VIF

Dựa vào giá trị của VIF=> VIF ứng với ba biến qyperm, qydus, branch là >10=> có khả
năng xảy ra hiện tượng đa cộng tuyến ở mức cao
V.2 Sửa lỗi mô hình đa cộng tuyến
Ta sẽ thực hiện bỏ biến
V.2.1 bỏ biến qyperm(do VIF (pyperm) là lớn nhất)
Ta xét mô hình gốc
qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spread t  ut

Ta xét mô hình sau khi bỏ biến qyperm
qdpasst  1   2 * qydust   3 * brancht   4 * spreadt  ut

V.2.2 bỏ biến qydus
Ta xét mô hình gốc
qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spread t  ut

7


Ta xét mô hình sau khi bỏ biến qydus
qdpasst  1   2 * pypermt   3 * brancht   4 * spread t  ut

V.2.3 bỏ biến branch
Ta xét mô hình gốc
qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spreadt  ut

Ta xét mô hình sau khi bỏ biến branch
qdpasst  1   2 * qydust   3 * pyperm   4 * spread t  ut

* Kết luận chung: dựa vào R2 hiệu chỉnh, ta lựa chọn bỏ biến pydus
VI. Kiểm định phương sai sai số thay đổi và sửa lỗi phương sai sai số thay đổi
xét mô hình
8


VI.1 Kiểm định phương sai sai số thay đổi
Ta xét mô hình gốc
qdpasst  1   2 * qydust   3 * pypermt   4 * brancht   5 * spreadt  ut

0

5.00e+07

r2

1.00e+08

1.50e+08

VI.1.1 Sử dụng đồ thị

80000

100000

Fitted values

120000

140000

từ đồ thị thấy rằng mô hình ít có khả năng có phương sai sai số thay đổi
VI.1.2 sử dụng kiểm định hettest

. hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of qdpass

chi2(1)

=

0.21

Prob > chi2 = 0.6481
9


ta thấy pvalue>5%=> mô hình không có hiện tượng phương sai sai số thay đổi
VI.1.3 sử dụng kiểm định white
ta xét mô hình sau
ei 2  1   2 * qydust  3 * pypermt   4 * brancht  5 * spread t   6 * Yhat 2   7 *Yhat 3  ut

Ta có pvalue(F)=0.2608>5%=> chưa có cơ sở để bác bỏ H0=> mô hình có phương sai sai
số không đổi
VII. Kiểm định phần dư phân phối chuẩn
VII.1 sử dụng đồ thị

10


1.0e-04
8.0e-05
Density
4.0e-05 6.0e-05
2.0e-05
0

-10000

-5000

0
Residuals

5000

10000

Ta thấy phần dư phân phối chuẩn
VII.2 Sử dụng kiểm định skewness và kurtosis
. sktest resi

Skewness/Kurtosis tests for Normality
------- joint -----Variable |

Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+--------------------------------------------------------------resi |

40

0.4817

0.6959

0.67

0.7147

Ta có pvalue=0.7147>5%=> không bác bỏ được Ho=> coi như phần dư phân phối chuẩn
VIII. kiểm định tự tương quan và khắc phục sự tự tương quan

VIII.1 . kiểm định tự tương quan
VIII.1.1 sử dụng Durbin-Watson
. tsset time
time variable: time, 1970q1 to 1979q4
11


delta: 1 quarter

. estat dwatson

Durbin-Watson d-statistic( 5,

40) = .586029

=> mô hình có tự tương quan: tương quan thuận chiều dương
VIII.1.2 sử dụng kiểm định BG
. estat bgodfrey, lags(1 2)

Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

|

20.664

1

0.0000

2

|

21.092

2

0.0000

--------------------------------------------------------------------------H0: no serial correlation

.=> có tự tương quan
VIII.2 Khắc phục tự tương quan
. prais conpk pripk pribf ydusp d1 d2 d3, robust

12


IX. Xác định mô hình tốt nhất
Qua kiểm nghiệm ta chọn được 2 mô hình tốt nhất như sau
1. Mô hình

qdpasst  1   2 * qydust   3 * spread t  ut

+ tất cả các hệ số hồi qui đều có ý nghĩa thống kê ở mức 5%
+pvalue(F)=0.0000<5%=> mô hình phù hợp ở mức 5%
+ mô hình không có đa cộng tuyến ở mức cao do:

13


. vif

Variable |

VIF

1/VIF

-------------+---------------------qydus |

1.38

0.724789

spread |

1.38

0.724789

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

1.38

+mô hình có phần dư phân phối chuẩn do pvalue=0.3286>5%
. sktest r1

Skewness/Kurtosis tests for Normality
------- joint -----Variable |

Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+--------------------------------------------------------------r1 |

40

0.1488

0.9719

2.23

0.3286

+mô hình không có phương sai sai số thay đổi do pvalue=0.3938>5%
. hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance

Variables: fitted values of qdpass

chi2(1)

=

0.73

Prob > chi2 = 0.3938
+Dấu của các hệ số phù hợp với lỹ thuyết
+Tuy nhiên vẫn xảy ra hiện tượng tự tương quan do pvalue=0.0000<5%
14


. . estat bgodfrey, lags(1 2)

Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

|

29.108

1

0.0000

2

|

29.481

2

0.0000

--------------------------------------------------------------------------H0: no serial correlation
2. Mô hình
qdpasst  1   2 * qypermt   3 * spread t  ut
Tương tự như trên ta có

+mô hình có các hệ số đều có ý nghĩa thống kê ở mức 5%
+pvalue(F)=0.0000<5%=> mô hình phù hợp ở mức ý nghĩa 5%
+mô hình không có đa cộng tuyến ở mức cao
. vif

Variable |

VIF

1/VIF

15


-------------+---------------------qyperm |

1.37

spread |

1.37

0.731071
0.731071

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

1.37

+mô hình có phần dư phân phối chuẩn
. sktest r3

Skewness/Kurtosis tests for Normality
------- joint -----Variable |

Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2)

Prob>chi2

-------------+--------------------------------------------------------------r3 |

40

0.1739

0.9950

1.97

0.3738

.+mô hình có phương sai sai số không đổi ở mức 5%

. hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of qdpass

chi2(1)

=

0.85

Prob > chi2 = 0.3555
+Dấu của các hệ số phù hợp với lý thuyết
+tuy nhiên vẫn có hiện tượng tự tương quan
. . estat bgodfrey, lags(1 2)
16

Breusch-Godfrey LM test for autocorrelation
--------------------------------------------------------------------------lags(p) |

chi2

df

Prob > chi2

-------------+------------------------------------------------------------1

|

30.563

1

0.0000

2

|

31.468

2

0.0000

--------------------------------------------------------------------------H0: no serial correlation

BÀI 2 : LƯỢNG CẦU THỊT LỢN
I) Dự đoán
1.

Các biến trong mô hình
CONPKt : lượng tiêu thụ thịt lợn/ người ở mỹ trong quý t
PRIPKt : giá 1 cân thịt lợn (dollars/100 pounds) trong quý t
PRIBFt : giá 1 cân thịt bò (dollars/100 pounds) trong quý t
YDUSPt : thu nhập bình quân đầu người ở mỹ quý t
LYDUSPt : log của thu nhập
PROPKt : lượng thịt sản xuất ở mỹ quý t
D1t : biến giả (1- quý 1; 0- quý khác)
17


D2t :biến giả (1- quý 2; 0- quý khác)
D3t:: biến giả (1- quý 3; 0- quý khác)

2. Dấu dự kiến

Tên biến

PRIPKt

PRIBFt

YDUSPt

Mô tả

Dấu dự
kiến

Diễn giải

Giá 1 cân thịt lợn trong
quý t

-

Theo mô hình cung cầu, giá
thịt lợn tăng dẫn đến lượng
cầu về thịt lợn giảm

Giá 1 cân thịt bò trong
quý t

+

Thịt lợn và thịt bò là hàng hóa
thay thế nên giá thịt bò tăng
dẫn đến lượng tiêu thụ thịt bò
giảm và lượng tiêu thụ thịt lợn
tăng

Thu nhập bình quân
đầu người ở Mỹ trong
quý t

+

Thu nhập tăng thì nhu cầu tiêu
thụ thịt lợn sẽ tăng

Log của thu nhập bình

+

Log thu nhập tăng hay thu
nhập tăng làm tăng lượng cầu
về thịt lợn

Lượng thịt sản xuất ở
Mỹ trong quý t

+

Lượng cung tăng làm giá thịt
giảm và trong ngắn hạn làm
lượng cầu tăng

LYDUSPt quân đầu người

PROPKt

D1t
D2t
D3t

Biến giả bằng 1 trong
quý đầu tiên của năm
và 0 nếu ngược lại
Biến giả bằng 1 trong
quý thứ hai của năm
và 0 nếu ngược lại
Biến giả bằng 1 trong
quý thứ ba của năm
và 0 nếu ngược lại

3. Lựa chọn mô hình
18


. reg conpk pripk pribf propk ydusp d1 d2 d3
Source

SS

df

MS

Model
Residual

96.0392214
.792780717

7
32

13.7198888
.024774397

Total

96.8320021

39

2.48287185

conpk

Coef.

pripk
pribf
propk
ydusp
d1
d2
d3
_cons

-.017923
.0066684
3.092724

.0429571
.0042997
-.3599758
.0028719
4.981249

Std. Err.
.0047321
.0028347
.2209514
.0330689
.0968486
.1160297
.1304003
.8910434

Number of obs
F( 7,
32)
Prob > F
R-squared
Adj R-squared
Root MSE

t

P>|t|

-3.79
2.35

14.00
1.30
0.04
-3.10
0.02
5.59

=
=
=
=
=
=

40
553.79
0.0000
0.9918
0.9900
.1574

[95% Conf. Interval]

0.001
0.025
0.000
0.203
0.965
0.004
0.983

0.000

-.027562
.0008943
2.642661
-.0244019
-.1929745
-.5963206
-.2627449
3.166253

-.008284
.0124425
3.542788
.1103162
.2015739
-.123631
.2684887
6.796245

. corr conpk pripk pribf propk ydusp
(obs=40)

conpk
pripk
pribf
propk
ydusp

conpk

pripk

pribf

propk

ydusp

1.0000
0.1104
0.6828
0.9889
0.5739

1.0000
0.7082
0.1656
0.7586

1.0000
0.7076
0.8846

1.0000
0.6044

1.0000

Theo bảng trên, ta nhận thấy có sự tương quan giữa 2 biến CONPK

và PROPK. Vì vậy, ta chạy hồi quy phụ của 2 biến trên :
. reg conpk propk
Source

SS

df

MS

Model
Residual

94.6943932
2.13760892

1 94.6943932
38 .056252866

Total

96.8320021

39 2.48287185

conpk

Coef.

propk

_cons

3.529801
2.394798

Std. Err.
.0860321
.3070885

t
41.03
7.80

Number of obs
F( 1,
38)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

40
1683.37

0.0000
0.9779
0.9773
.23718

P>|t|

[95% Conf. Interval]

0.000
0.000

3.355638
1.77313

3.703964
3.016466

Xét R-squared = 0.9779 tức là có sự đa cộng tuyến giữa 2 biến
CONPK và PROPK nên ta bỏ biến PROPK.
19


Chạy 2 mô hình với 1 mô hình sử dụng biến YDUSP và 1 mô hình sử
dụng biến LYDUSP:

. reg conpk pripk pribf ydusp d1 d2 d3
Source

SS

df

MS

Model
Residual

91.1853085
5.64669366

6 15.1975514
33 .171111929

Total

96.8320021

39 2.48287185

conpk

Coef.

pripk
pribf
ydusp
d1
d2
d3

_cons

-.0767559
.0415561
.2250244
-.9170877
-1.63396
-1.529973
16.99717

Std. Err.
.0057135
.0035486
.0799022
.1866971
.1891289
.1860527
.6276076

t
-13.43
11.71
2.82
-4.91
-8.64
-8.22
27.08

Number of obs
F( 6,

33)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.008
0.000
0.000
0.000
0.000

=
=
=
=
=
=

40
88.82
0.0000
0.9417
0.9311
.41366

[95% Conf. Interval]

-.0883801
.0343365
.0624621
-1.296926
-2.018746
-1.9085
15.7203

-.0651316
.0487757
.3875867
-.5372496
-1.249175
-1.151446
18.27405

. reg conpk pripk pribf d1 d2 d3 lydusp
Source

SS

df

MS

Model
Residual

91.5851379
5.24686421

6
33

15.2641897
.158995885

Total

96.8320021

39

2.48287185

conpk

Coef.

pripk
pribf
d1
d2
d3
lydusp
_cons

-.0768579
.0387575
-.8913808

-1.616533
-1.516465
2.121156
15.04305

Std. Err.
.0054226
.0038357
.1805539
.1826179
.1795406
.6380941
.6719388

t
-14.17
10.10
-4.94
-8.85
-8.45
3.32
22.39

Number of obs
F( 6,
33)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.000
0.000
0.000
0.002
0.000

=
=
=
=
=
=

40
96.00
0.0000
0.9458
0.9360
.39874

[95% Conf. Interval]
-.0878903
.0309538
-1.25872
-1.988072
-1.881743

.8229442
13.67598

-.0658255
.0465613
-.5240411
-1.244994
-1.151187
3.419368
16.41012

So sánh 2 mô hình :
20


. estat ic

Model

Obs

ll(null)

ll(model)

df

AIC

BIC

.

40

-74.4395

-17.60136

7

49.20271

61.02487

Note: N=Obs used in calculating BIC; see [R] BIC note

( chạy với YDUSP)
. estat ic

Model

Obs

ll(null)

ll(model)

df

AIC

BIC

.

40

-74.4395

-16.13256

7

46.26513

58.08728

Note: N=Obs used in calculating BIC; see [R] BIC note

( chạy với LYDUSP)
Nhận xét:
- ll(model) của LYDUSP > ll(model) của YDUSP
- AIC và BIC của LYDUSP < AIC và BIC của YDUSP
 Chọn và sử dụng biến LYDUSP
Mô hình với biến LYDUSP :
CONPKt=1+2 PRIPKt+3PRIBFt+4LYDUSPt+5D1+6D2+7D3 + ut
. reg conpk pripk pribf d1 d2 d3 lydusp
Source

SS

df

MS

Model
Residual

91.5851379
5.24686421

6 15.2641897
33 .158995885

Total

96.8320021

39 2.48287185

conpk

Coef.

pripk
pribf
d1
d2
d3

lydusp
_cons

-.0768579
.0387575
-.8913808
-1.616533
-1.516465
2.121156
15.04305

Std. Err.
.0054226
.0038357
.1805539
.1826179
.1795406
.6380941
.6719388

t
-14.17
10.10
-4.94
-8.85
-8.45
3.32
22.39

Number of obs

F( 6,
33)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000
0.000
0.000
0.000
0.002
0.000

=
=
=
=
=
=

40
96.00
0.0000
0.9458
0.9360
.39874

[95% Conf. Interval]
-.0878903
.0309538
-1.25872
-1.988072
-1.881743
.8229442
13.67598

-.0658255
.0465613
-.5240411
-1.244994
-1.151187
3.419368
16.41012

21


II) Kiểm định mô hình
Dựa vào kết quả hồi quy, ta thu được mô hình hồi quy như sau :
CONPKt= - PRIPKt+0.0387575PRIBFt+LYDUSPt -D1 - D2 - D3 + ut
1. Ý nghĩa thống kê của các hệ số hồi quy
Qua quan sát ở bảng hồi quy mô hình, ta có thể dễ dàng nhận thấy tất
cả các biến đều có P-value <0.05 , vì vậy có thể nói tất cả cá biến cố
định ở trên đều có ý nghĩa thống kê.
2. Kiểm định xem xét các khuyết tật
- Đa cộng tuyến
. vif

Variable

VIF

1/VIF

lydusp
pribf
pripk
d2
d1
d3

6.83
6.01
2.41
1.57
1.54
1.52

0.146363
0.166398
0.414079
0.635679
0.650296
0.657657

Mean VIF

3.31

VIF = 3.31 < 10 => mô hình không có đa cộng tuyến
- Phương sai sai số thay đổi

. hettest
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fitted values of conpk
chi2(1)
=
Prob > chi2 =

1.41
0.2349

22


Nhận thấy P-value = 0.2349 > = 0.05
 Không bác bỏ H0
 Phương sai sai số của mô hình không đổi
- Tự tương quan

. dwstat
Durbin-Watson d-statistic(

7,

40) =

1.191319

Với mức ý nghĩa 5% có dL = 1.23 và dU = 1.79
d<dL=> bác bỏ H0 => có tự tương quan
- Mô hình thiếu biến ?

. estat ovtest
Ramsey RESET test using powers of the fitted values of conpk
Ho: model has no omitted variables
F(3, 30) =
0.38
Prob > F =
0.7665

P-value = 0.7665 > = 0.05 => chấp nhận giả thiết H0
 Mô hình không thiếu biến
3. Khắc phục tự tương quan
- Chạy mô hình hồi quy ban đầu và tính phần dư e
. predict yhat
(option xb assumed; fitted values)
. gen e = conpk - yhat

- Chạy hồi quy et = p × et-1 + vt, ước lượng
23


. reg e L.e, nocons
Source

SS

df

MS

Model
Residual

.805781542
4.38088557

1
38

.805781542
.115286462

Total

5.18666711

39

.132991464

e

Coef.

e

L1.

.3963043

Number of obs
F( 1,
38)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

39
6.99
0.0118
0.1554
0.1331
.33954

Std. Err.

t

P>|t|

[95% Conf. Interval]

.1499026

2.64

0.012

.0928423

.6997663

- Tạo các biến mới sử dụng ước lượng  và lấy độ trễ
. gen conpk1 = conpk - .3963043 * L.conpk
(1 missing value generated)
. gen pripk1 = pripk - .3963043 * L.pripk
(1 missing value generated)
. gen pribf1 = pribf - .3963043 * L.pribf
(1 missing value generated)
. gen lydusp1 = lydusp - .3963043 * L.lydusp
(1 missing value generated)

- Chạy hồi quy ta được :

24


. reg conpk1 pripk1 pribf1 lydusp1 d1 d2 d3

Source

SS

df

MS

Model
Residual

49.9430274
4.35683306

6 8.3238379
32 .136151033

Total

54.2998605

38

conpk1

Coef.

pripk1
pribf1
lydusp1

d1
d2
d3
_cons

-.0782956
.0383652
2.235985
-1.5335
-1.866452
-1.469273
9.718432

Number of obs
F( 6,
32)
Prob > F
R-squared
Adj R-squared
Root MSE

1.4289437

Std. Err.
.0069686
.0053935
.8857754
.1713929
.172242
.1682973

.6607433

t

P>|t|

-11.24
7.11
2.52
-8.95
-10.84
-8.73
14.71

0.000
0.000
0.017
0.000
0.000
0.000
0.000

=
=
=
=
=
=

39

61.14
0.0000
0.9198
0.9047
.36899

[95% Conf. Interval]
-.0924902
.0273789
.4317194
-1.882616
-2.217298
-1.812084
8.372542

-.0641011
.0493514
4.04025
-1.184385
-1.515607
-1.126463
11.06432

. bgodfrey
Breusch-Godfrey LM test for autocorrelation
lags(p)

chi2

df

Prob > chi2

1

0.090

1

0.7638

H0: no serial correlation
. dwstat
Durbin-Watson d-statistic( 7,

39) = 1.792879

P-value = 0.7638 > = 0.05 => không bác bỏ H0
 Không có tự tương quan
 Suy diễn thống kê, kiểm định t, F đáng tin cậy.

III)

Kết luận
- Mô hình tốt nhất là :

CONPKt= - PRIPKt+0.0387575PRIBFt+LYDUSPt -D1 - D2 - D3 + ut
25