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 0
gửi 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