Chuong 04

Chương 4 - Nhập môn Kinh tế lượng * 03.08.
2021
Jeffrey M. Wooldridge
Phân tích hồi quy bội:

Vấn đề suy diễn thống kê
Chương 4
Wooldridge: Introductory Econometrics:

A Modern Approach, 5e
© 2013 Cengage Learning. All Rights Reserved. May not be scanned, copied or duplicated, or posted to a publicly accessible website, in whole or in part.
Phân tích hồi quy bội

Vấn đề suy diễn
Suy diễn thống kê trong mô hình hồi quy
Kiểm định giả thuyết về tham số tổng thể
Xây dựng khoảng tin cậy (đối xứng)
4.1 Phân phối mẫu của ước lượng OLS
Ước lượng OLS là các biến ngẫu nhiên
Chúng ta đã biết về kỳ vọng và phương sai của các ước lượng này
Tuy nhiên, chúng ta cần biết về phân phối của chúng để kiểm định giả
thuyết thống kê
Để suy luận về phân phối, chúng ta cần thêm giả thiết
Giả thiết về phân phối của sai số: sai số có phân phối chuẩn
https://sites.google.com/a/ueh.edu.vn/ph
amtricao/ 1
Chương 4 - Nhập môn Kinh tế lượng * 03.08.2021

Giả thiết MLR.6 (Phân phối chuẩn của sai số)
và độc lập với các biến
Nếu có MLR.6 thì sẽ có MLR.4 và MLR.5
Giả sử rằng phần sai số của hồi quy tổng

thể có phân phối chuẩn.
Dạng phân phối và phương sai không

phụ thuộc vào bất kỳ biến độc lập nào.
Suy ra:
PHÂN TÍCH HỒI QUY BỘI

VẤN ĐỀ SUY DIỄN
• Định lý giới hạn trung tâm (CLT)
• Có x1,..., xk là các biến ngẫu nhiên

Xét biến ngẫu nhiên tổng x = x1+…+xk
Nếu các điều kiện sau thỏa:

• Các xi là độc lập
• Các xi có cùng phân phối xác suất
• Các xi có cùng kỳ vọng và phương sai (hữu hạn)
• k lớn (thường k  30)
thì x sẽ có phân phối xấp xỉ chuẩn
amtricao/ 2

Thảo luận về giả thiết phân phối chuẩn
Phần sai số được xem là tổng của “nhiều“ yếu tố không quan sát được
Tổng của các yếu tố độc lập có phân phối xấp xỉ chuẩn (Định lý giới hạn
trung tâm - Central Limit Theorem - CLT)
Các vấn đề nảy sinh:
• Có bao nhiêu yếu tố không quan sát được? Có đủ lớn không?
• Có thể phân phối của từng yếu tố này sẽ không đồng nhất với nhau
• Các yếu tố này độc lập với nhau ở mức nào?
Phân phối của sai số là một vấn đề thuộc về thực nghiệm
Ít nhất là phân phối của sai số “xấp xỉ “ với phân phối chuẩn
Trong nhiều trường hợp, tính chuẩn này có thể không được đảm bảo

Thảo luận về giả thiết phân phối chuẩn (tt)
Ví dụ về trường hợp mà giả thiết về tính chuẩn không thể thỏa mãn:
• Tiền lương (không âm, thường phải lớn hơn tiền lương tối thiểu)
• Số lần bắt giữ (chỉ nhận một vài giá trị nguyên không âm)
• Thất nghiệp (xét trường hợp biến giả, chỉ nhận giá trị 0 và 1)
Trong một vài trường hợp, phân phối chuẩn có thể đạt được thông qua việc
biến đổi dạng biến phụ thuộc (chẳng hạn như dùng log(wage) thay cho wage)
Dưới giả thiết về phân phối chuẩn, OLS là ước lượng không chệch tốt nhất (kể
cả ước lượng phi tuyến)
Quan trong: Với mục đích là suy diễn thống kê, giả thiết về phân phối chuẩn
có thể thay thế bằng cỡ mẫu lớn (xem Chương 5)
amtricao/ 3
PHÂN TÍCH HỒI QUY BỘI:

VẤN ĐỀ ƯỚC LƯỢNG
Giả thiết MLR1-6:

Phương sai nhỏ nhất trong lớp:
Tuyến tính Phi tuyến
Không chệch Không chệch
Tuyến tính Phi tuyến
Chệch Chệch

Kiểm định phần dư có phân phối chuẩn (giả thiết MLR6)
Tập tin gpa1.wf1
> hoiquy1 <- lm(colGPA ~ hsGPA+ACT+skipped+age, data=gpa1)
> summary(hoiquy1)
Call:
lm(formula = colGPA ~ hsGPA + ACT + skipped + age, data = gpa1)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.90206 0.65037 1.387 0.16771
hsGPA 0.43379 0.09709 4.468 1.65e-05 ***
ACT 0.01449 0.01058 1.370 0.17309
skipped -0.08066 0.02617 -3.082 0.00249 **
age 0.01990 0.02284 0.872 0.38498
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.3298 on 136 degrees of freedom

Multiple R-squared: 0.2379, Adjusted R-squared: 0.2154
F-statistic: 10.61 on 4 and 136 DF, p-value: 1.635e-07
> # Lay phan du
> phandu1=resid(hoiquy1)
8
amtricao/ 4

> # install.packages("fBasics")
> library(fBasics)
Loading required package: timeDate
Loading required package: timeSeries
> jarqueberaTest(phandu1)
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 1.5592
P VALUE:
Asymptotic p Value: 0.4586
H0: phần dư có phân phối chuẩn
H1: phần dư không có phân phối chuẩn
p-value = 0,4586 > 0,05 : chấp nhận H0
Vậy phần dư có phân phối chuẩn 9

> shapiro.test(phandu1)
Shapiro-Wilk normality test
data: phandu1
W = 0.9893, p-value = 0.3537
> require(nortest)
Loading required package: nortest
> # Kiem dinh Anderson-Darling
> ad.test(phandu1)
Anderson-Darling normality test
data: phandu1
A = 0.60863, p-value = 0.1116
> # Kiem dinh Kolmogorov-Smirnov

> lillie.test(phandu1)
Lilliefors (Kolmogorov-Smirnov) normality test
data: phandu1
D = 0.071506, p-value = 0.07439
10
10
amtricao/ 5

> # Chay hoi quy
> hoiquy2 <- lm(log(wage) ~ educ+exper+age+married,
data=wage2)
> # Lay phan du
> phandu2=resid(hoiquy2)
> # kiem dinh Jarque-Bera
> library(fBasics)
> jarqueberaTest(phandu2)
Title:
Jarque - Bera Normalality Test
Test Results:
STATISTIC:
X-squared: 43.649
P VALUE:
Asymptotic p Value: 3.325e-10
H0: phần dư có phân phối chuẩn

H1: phần dư không có phân phối chuẩn
p-value = 3,325 10-10 < 0,05 : bác bỏ H0
Vậy phần dư không có phân phối chuẩn 11
11

Một số thuật ngữ
“các giả thiết Gauss-Markov“ Các giả thiết của “mô hình hồi quy tuyến tính cổ
điển (CLM - classical linear model )“
Định lý 4.1 (Phân phối chuẩn trong mẫu)
Dưới các giả thiết MLR.1 – MLR.6:
4.1
Các ước lượng OLS có phân phối mẫu với Ước lượng chuẩn hóa tuân theo phân phối
phương sai như đã thiết lập trong chương trước chuẩn tắc
12
amtricao/ 6

4.2 Kiểm định giả thuyết về từng tham số tổng thể
Định lý 4.2 (phân phối t cho các ước lượng chuẩn hóa)
Dưới các giả thiết MLR.1 – MLR.6:
Nếu việc chuẩn hóa được thực hiện bằng dùng độ lệch
chuẩn ước lượng (nghĩa là dùng sai số chuẩn), phân
phối chuẩn tắc sẽ được thay thế bằng phân phối t
4.3
Lưu ý: Phân phối t sẽ rất gần với phân phối chuẩn tắc khi bậc tự do n-k-1 lớn.
Giả thuyết không (trường hợp giả thuyết tổng quát sẽ đề cập sau)
Tham số tổng thể bằng 0, nghĩa là sau khi kiểm soát
các biến độc lập khác, xj không tác động đến y
4.4
13

Thống kê t (hay tỷ số t)
Thống kê t sẽ được sử dụng để kiểm định giả thuyết không
ˆ  0 đã đề cập ở trên. Hệ số ước lượng càng xa giá trị 0 thì giả
thuyết không càng ít khả năng đúng. Nhưng khi nào thì
t ˆ  j 4.5
được gọi là “xa“ giá trị 0?
j
se( ˆ ) j
Điều này phụ thuộc vào sự biến thiên của hệ số ước lượng được,
nghĩa là phụ thuộc vào độ lệch chuẩn của hệ số. Thống kê đo
lường xem liệu khoảng cách từ hệ số ước lượng đến giá trị 0 bằng
bao nhiêu lần độ lệch chuẩn.
Phân phối của thống kê t nếu giả thuyết không là đúng
Mục tiêu: xác định một quy tắc bác bỏ sao cho nếu H0 là đúng thì
khả năng H0 bị bác bỏ là rất nhỏ (= mức ý nghĩa, ví dụ 5%)
14
amtricao/ 7
Phân tích hồi quy bội :

Kiểm định với giả thuyết đối một phía (lớn hơn 0 – phía phải)
Kiểm định H 0 :  j  0 với giả thuyết đối H1 :  j  0 . 4.6

t0,05(28)= 1,701
Bác bỏ giả thuyết không và ủng hộ giả thuyết đối

một phía này nếu hệ số hồi quy ước lượng được là
quá lớn (cụ thể là lớn hơn giá trị tới hạn t(n-k-1)).
Xây dựng giá trị tới hạn sao cho, nếu giả thuyết
không là đúng thì khả năng giả thuyết không bị
bác bỏ, chẳng hạn, là 5% trong tổng số các trường
hợp.
Trong ví dụ đã cho, đây là giá trị của phân phối t

với 28 bậc tự do mà 5% số các trường hợp sẽ lớn
hơn giá trị này.
Bác bỏ H0 nếu thống kê t lớn hơn 1,701
t  t (n  k  1) : bac bo H 0 4.7
15

Ví dụ 4.1: Phương trình tiền lương
Kiểm định rằng liệu sau khi kiểm soát biến học vấn và thâm niên chức vụ, những công
nhân nhiều kinh nghiệm làm việc hơn có nhận được tiền lương cao hơn hay không
Sai số chuẩn
Kiểm định với giả thuyết đối .
Người ta có thể kỳ vọng một tác động dương của kinh nghiệm đến tiền lương (USD/giờ)
hoặc không tác động gì cả.
16
amtricao/ 8

Ví dụ 4.1: Phương trình tiền lương (tt)
Thống kê t
Bậc tự do;
Ở đây, sự xấp xỉ phân
phối chuẩn tắc có thể
được áp dụng
t0,05 (522)  1,645 Giá trị tới hạn ứng với mức ý nghĩa 5% và 1% - phân phối t xấp
xỉ chuẩn tắc (Đây là những mức ý nghĩa thường gặp).
t0,01 (522)  2,326 Giả thuyết không sẽ bị bác bỏ vì thống kê t lớn hơn giá trị tới
hạn t(n-k-1). texper= 2,41 > t0,05(522)= 1,645 : bác bỏ H0
“Tác động của kinh nghiệm đến tiền lương theo giờ lớn hơn 0 có
ý nghĩa thống kê ở mức 5% (thậm chí có ý nghĩa ở mức 1%).“
17

Kiểm định với giả thuyết đối một phía (nhỏ hơn 0 – phía trái)
t0,05(18)= 1,734 Kiểm định H 0 :  j  0 với giả thuyết đối H1 :  j  0 4.8

Bác bỏ giả thuyết không với giả thuyết đối một
phía này nếu hệ số ước lượng được là “quá nhỏ“
(nghĩa là, nhỏ hơn so với giá trị tới hạn -t(n-k-1)).
Xây dựng giá trị tới hạn sao cho nếu giả thuyết
không là đúng thì giả thuyết này sẽ bị bác bỏ,
chẳng hạn, trong 5% tổng số các trường hợp.
Trong ví dụ đã cho, đây là điểm giá trị mà tại đó

phân phối t với 18 bậc tự do sẽ có 5% các trường
hợp nhỏ hơn giá trị này.
Bác bỏ H0 nếu thống kê t nhỏ hơn -1,734
t  t ( n  k  1) : bac bo H 0 4.9

18
amtricao/ 9

Ví dụ 4.2: Kết quả học tập của sinh viên và quy mô trường học
Kiểm định rằng liệu quy mô trường học nhỏ hơn có dẫn đến kết quả học tập
của sinh viên sẽ tốt hơn hay không
Phần trăm sinh viên vượt Thu nhập trung bình Tỷ lệ giáo viên trên Lượng sinh viên theo học
qua bài kiểm tra môn Toán hàng năm của giáo viên 1000 sinh viên (= quy mô trường học)
Kiểm định với giả thuyết đối

.
Trường học càng lớn càng làm giảm kết quả học tập sinh viên hoặc quy mô trường học
không hề có tác động đến kết quả học tập?
19

Ví dụ 4.2: Kết quả học tập của sinh viên và quy mô trường học (tt)
Thống kê t
Bậc tự do;
Trường hợp này có thể áp
dụng xấp xỉ phân phối
chuẩn tắc
t0,05 (404)  1, 645 Giá trị tới hạn với mức ý nghĩa 5% và 15%.
Giả thuyết không không bị bác bỏ vì thống kê t không nhỏ hơn

Bảng z: t0,15 (404)  1, 04 giá trị tới hạn. tenroll= -0,91 > -t0,05(404)= -1,645 : chấp nhận H0
Chúng ta không thể bác bỏ giả thuyết về việc quy mô trường học không có tác động
đến kết quả học tập của sinh viên (thâm chí là ở mức ý nghĩa 15%).
20
amtricao/ 10

Một dạng hàm có log:
R2 cao hơn một chút
Kiểm định
với giả thuyết đối .

21

Thống kê t
t0,05 (404)  1, 645 Giá trị tới hạn ở mức ý nghĩa 5%, bác bỏ giả thuyết không
Giả thuyết cho rằng quy mô trường học không có tác động đến kết quả học tập của
sinh viên đã bị bác bỏ, và ủng hộ giả thuyết đối cho rằng sự tác động là ngược chiều
tlog(enroll)= -1,87 < -t0,05(404)= -1,645 : bác bỏ H0
Độ lớn của tác động ra sao? Nếu số sinh viên tăng lên 10 (%) thì số sinh viên vượt qua bài
kiểm tra sẽ giảm một lượng là 0,0129*10 = 0,129 (%)
Ví dụ:
(tác động rất nhỏ)
22
amtricao/ 11

Kiểm định với giả thuyết đối hai phía
t0,025(25)= 2,06 Kiểm định H 0 :  j  0 với H 0 :  j  0 . 4.10

Bác bỏ giả thuyết không với giả thiết đối hai phía
nếu giá trị tuyệt đối của hệ số ước lượng quá lớn.
Xây dựng giá trị tới hạn sao cho nếu giả thuyết
không là đúng, thì nó có thể bị bác bỏ, ví dụ, 5%
trong tổng số các trường hợp.
Trong ví dụ đã cho, những điểm ứng với 5% các

trường hợp này nằm ở hai phía đuôi của hàm
phân phối.
Bác bỏ H0 nếu giá trị tuyệt đối của thống kê lớn hơn
2,06
| t | t / 2 ( n  k  1) : bac bo H 0 4.11
23

Ví dụ 4.3: Các yếu tố tác động đến điểm GPA Số buổi cúp học
Dùng phân phối chuẩn tắc để tìm giá trị tới hạn
Tác động của hsGPA và số buổi cúp học

| thsGPA | 4, 38  t0,005 (137)  2,576 : bac bo H 0 khác 0 có ý nghĩa ở mức ý nghĩa 1%.
Tác động của ACT khác 0 không có ý

| t ACT | 1,36  t0,05 (137)  1, 645 : chap nhan H 0 nghĩa thống kê, thậm chí ở mức ý nghĩa
10%.
| t skipped | 3,19  t0,005 (137)  2,576 : bac bo H 0
24
amtricao/ 12

Biến độc lập “có ý nghĩa thống kê“ trong hồi quy
Nếu một hệ số hồi quy khác 0 trong một kiểm định hai phía, biến độc lập
tương ứng với hệ số hồi quy đó được gọi là “có ý nghĩa thống kê“
Nếu số bậc tự do đủ lớn sao cho có thể áp dụng xấp xỉ phân phối chuẩn thì quy
tắc sau đây có thể áp dụng:
“có ý nghĩa thống kê ở mức 10% “
“có ý nghĩa thống kê ở mức 5%“
“có ý nghĩa thống kê ở mức 1%“
25

Biến độc lập có ý nghĩa thống kê, mức ý nghĩa 5%
> hoiquy1 <- lm(colGPA ~ hsGPA+ACT+skipped+age, data=gpa1)
> summary(hoiquy1)
Call:
Coefficients:
(Intercept) 0.90206 0.65037 1.387 0.16771
hsGPA 0.43379 0.09709 4.468 1.65e-05 ***
ACT 0.01449 0.01058 1.370 0.17309
skipped -0.08066 0.02617 -3.082 0.00249 **
age 0.01990 0.02284 0.872 0.38498
---
* H0:  1 = 0 ; H1:  1 ≠ 0
p-value(2p) = 1,6510-5 < = 0,05 : bác bỏ H0
Hoặc |t|= 4,468 > t/2(136) = 1,96 : bác bỏ H0
Biến hsGPA có ý nghĩa thống kê
* H0:  4 = 0 ; H1:  4 ≠ 0
p-value(2p) = 0,38498 > = 0,05 : chấp nhận H0
Hoặc |t|= 0,872 < t/2(136) = 1,96 : chấp nhận H0
Biến age không có ý nghĩa thống kê 26
26
amtricao/ 13

Một số hướng dẫn về ý nghĩa kinh tế và ý nghĩa thống kê
Nếu một biến độc lập có ý nghĩa thống kê, thì hãy thảo luận về độ lớn của
hệ số để đánh giá ý nghĩa kinh tế hoặc ý nghĩa thực tiễn của biến
Một biến có ý nghĩa thống kê không nhất thiết phải có ý nghĩa kinh tế hoặc
ý nghĩa thực tiễn!
Nếu một biến có ý nghĩa thống kê và ý nghĩa kinh tế nhưng bị “sai“ dấu,
mô hình hồi quy có thể bị định dạng sai
Nếu một biến không có ý nghĩa thống kê ở mức ý nghĩa thông thường
(10%, 5%, 1%), người ta có thể nghĩ đến việc bỏ biến đó ra khỏi hàm hồi
quy (cẩn thận bởi vấn đề chệch do bỏ sót biến có liên quan)
Nếu quy mô mẫu nhỏ, thì sự tác động có thể bị ước lượng “kém chính xác“
(imprecise) vì vậy bằng chứng để bỏ biến sẽ yếu hơn
27

Kiểm định các giả thuyết tổng quát về hệ số hồi quy
Giả thuyết không
Giá trị cần kiểm định của các hệ số hồi quy
4.12
Thống kê t
4.13
Việc kiểm định được thực hiện giống hệt như trước, ngoại trừ việc
lấy giá trị ước lượng trừ cho giá trị cần kiểm định khi tính toán các
thống kê kiểm định
28
amtricao/ 14

Ví dụ 4.4: Vấn đề tội phạm trong trường học và số sinh viên theo học
Một giả thuyết được quan tâm là liệu số lượng phạm tội có tăng 1% khi số sinh
viên theo học tăng 1%
Giá trị ước lượng là khác 1

nhưng sự khác nhau có ý
nghĩa thống kê hay không?
Giả thuyết bị bác bỏ ở

mức ý nghĩa 5%
1, 27  1
| t |  2, 45  t0,025 (95)  1,987 : bac bo H 0
0,11
29

Tính toán p-value cho các kiểm định t
Nếu mức ý nghĩa càng nhỏ, sẽ có một điểm giá trị mà tại đó giả thuyết không không
thể bị bác bỏ
Lý do là, bằng cách hạ thấp mức ý nghĩa, người ta muốn tránh sai lầm bác bỏ một
giả thuyết H0 đúng
Mức ý nghĩa nhỏ nhất mà tại đó giả thuyết H0 bị bác bỏ, được gọi là p-value của kiểm
định giả thuyết
Một giá trị p-value nhỏ là bằng chứng để chống lại giả thuyết H0 vì người ta sẽ bác
bỏ giả thuyết H0 thậm chí ở mức ý nghĩa rất nhỏ
Một giá trị p-value lớn là bằng chứng để ủng hộ giả thuyết không
p-value giúp dễ dàng kết luận hơn so với các giá trị thống kê ở những mức ý nghĩa
cho trước
30
amtricao/ 15

Cách tính p-value (trường hợp kiểm định hai phía)
p-value = P(|T|>|t|) 4.15
Những giá trị này là Trong trường hợp kiểm định hai phía, p-value
giá trị tới hạn cho
mức ý nghĩa 5% là xác suất sao cho các biến ngẫu nhiên có
phân phối t sẽ nhận giá trị tuyệt đối lớn hơn
giá trị thực tế, nghĩa là:
Khi đó, giả thuyết không sẽ bị bác bỏ nếu

p-value tương ứng nhỏ hơn mức ý nghĩa.
Giá trị thống kê kiểm định Ví dụ, với mức ý nghĩa 5%, thống kê t sẽ
không nằm trong miền bác bỏ.
31

Tóm tắt kiểm định t
Mô hình y   0  1 x1  ...   k xk  u
Phía phải Phía trái Hai phía
H0: βj = aj H0: βj = aj H0: βj = aj
H1: βj > aj H0: βj < aj H0: βj ≠ aj
ˆ j  a j
t
se( ˆ j )
  t(n-k-1)   t(n-k-1)   t/2(n-k-1)
t > t(n-k-1) t < -t(n-k-1) |t| > t/2(n-k-1) Quy tắc bác bỏ H0
= 5%, n= 27, k+1= 7  t(n-k-1) = t0,05(20) = 1,725 Tra bảng thống kê
t/2(n-k-1) = t0,025(20) = 2,086
= 5%, n= 207, k+1= 7  t0,05() = 1,645
t0,025() = 1,960
p-value(1p) = P(T>|t|) p-value(2p) = P(|T|>|t|) Tính p-value
p-value(1p) <  (0,05) p-value(2p) <  (0,05) Quy tắc bác bỏ H0
p-value(1p) = p-value(2p)/2
32
32
amtricao/ 16

Trong EXCEL: Phaân phoái Student t
 Caùc phaân vò t/2, t ñöôïc xaùc ñònh theo coâng thöùc:
=TINV(xaùc suaát, baäc töï do).
Thí duï vôùi coâng thöùc =TINV(0.05,6) ta ñöôïc t0,025(6) = 2.4469
 Ñeå tính p–value cho kieåm ñònh hai phía vaø moät phía ta
söû duïng coâng thöùc sau:
=TDIST(|t|, baäc töï do, ñuoâi)
vôùi ñuoâi=1: moät phía, ñuoâi=2: hai phía.
Vôùi thí duï n= 6, t= 2.4469 thì trong EXCEL ta goõ coâng thöùc sau:
=TDIST(2.4469,6,2) keát quaû ta ñöôïc p–value(2p) = 0.05
=TDIST(2.4469,6,1) ta ñöôïc p–value(1p) = 0.025
33
33

load("H:/BAI GIANG KTL 2021/ /Chuong 04/gpa1.RData")
gpa1 <- data
hq <- lm(colGPA ~ hsGPA + ACT + skipped + age, data=gpa1)
summary(hq)
# Kiem dinh t
t_test <- function(reg, coefnum, val){
coefnum <- coefnum+1 # he so chan o vi tri so 1
co <- coef(summary(reg))
tstat <- (co[coefnum,1]-val)/co[coefnum,2]
p_value <- 2 * pt(abs(tstat), reg$df.residual, lower.tail = FALSE)
result1 <- c(t_stat = round(tstat, digits=4))
result2 = c(p_value_2p = round(p_value, digits=4))
result3 = c(p_value_1p = round(p_value/2, digits=4))
return(list(result1, result2,result3))
}
# y = b0 + b1*x1 + b2*x2 + b3*x3 + b4*x4

# H0: b1 = 0.8 ; H1: b1 <> 0.8
# Chay ham Kiem dinh t truoc
t_test(hq,1,0.8) # nhap so 1 cho b1
34
34
amtricao/ 17

> t_test(hq,1,0.8) # nhap so 1 cho b1
[[1]]
t_stat
-3.7719
[[2]]
p_value_2p
2e-04
[[3]]
p_value_1p
1e-04
# Gia tri toi han cua Kiem dinh t

t_critical <- function(alpha, df){
result1 <- c(t_alpha = round(abs(qt(alpha, df)),digits=4))
result2 <- c(t_alpha_chia2 = round(abs(qt(alpha/2, df)),digits=4))
return(list(result1, result2))
}
# Muc y nghia alpha = 0,05, bac tu do df cua hoi quy
# Chay ham gia tri toi han truoc
df <- hq$df.residual
t_critical(0.05,df)
35
35

> t_critical(0.05,df)
[[1]]
t_alpha
1.6561
[[2]]
t_alpha_chia2
1.9776
> summary(hq)
Call:
Coefficients:
(Intercept) 0.90206 0.65037 1.387 0.16771
hsGPA 0.43379 0.09709 4.468 1.65e-05 ***
ACT 0.01449 0.01058 1.370 0.17309
skipped -0.08066 0.02617 -3.082 0.00249 **
age 0.01990 0.02284 0.872 0.38498
---
36
36
amtricao/ 18

1) H 0 : 1  0,8 ; H1 : 1  0,8 với mức ý nghĩa 5%
Phương pháp giá trị tới hạn:
Ta có |t| = 3,7719 > t0,025(136) = 1,9776 : bác bỏ H0
Phương pháp p-value:
Ta có p-value(2p) = 210-4 < 0,05 : bác bỏ H0
2) H 0 : 1  0,8 ; H1 : 1  0,8 với mức ý nghĩa 5%
Phương pháp giá trị tới hạn:
Ta có t = -3,7719 < -t0,05(136) = -1,6561 : bác bỏ H0
Phương pháp p-value:
Ta có p-value(1p) = 110-4 < 0,05 : bác bỏ H0
37
37

Giá trị tới hạn
4.3 Khoảng tin cậy (đối xứng) của kiểm định
Định lý 4.2 giúp rút ra kết quả hàm ý rằng hai phía

P ˆ j  t / 2 ( n  k  1).se( ˆ j )   j  ˆ j  t / 2 (n  k  1).se( ˆ j )  1   
Giới hạn dưới của Giới hạn trên của Độ tin cậy
khoảng tin cậy khoảng tin cậy
 j  ˆ j  t /2 (n  k  1).se( ˆ j )
Diễn giải ý nghĩa của khoảng tin cậy (1- = 0,95)
Các giới hạn trên và dưới của khoảng tin cậy là ngẫu nhiên
Trong trường hợp lặp lại việc lấy mẫu, khoảng tin cậy như trên sẽ chứa hệ số
hồi quy tổng thể trong 95% các trường hợp.
38
amtricao/ 19

Các khoảng tin cậy ứng với các mức ý nghĩa thông thường

P ˆ j  t0,005 ( n  k  1).se( ˆ j )   j  ˆ j  t0,005 (n  k  1).se( ˆ j )  0, 99 
P  ˆ  t (n  k  1).se( ˆ )   0, 95
4.16
j 0,025 ( n  k  1).se( ˆ j )   j  ˆ j  t0,025 j
P  ˆ  t
j 0,05 ( n  k  1).se( ˆ j )   j  ˆ j  t0,05 ( n  k  1).se( ˆ )   0,90
j
Quy tắc kinh nghiệm t0,005 ()  2,576; t0,025 ()  1,96; t0,05 ()  1, 645
Liên hệ giữa khoảng tin cậy và việc kiểm định giả thuyết 2 phía
Nếu aj không thuộc khoảng tin cậy  bác bỏ H0: βj = aj ; ủng hộ H1: βj ≠ aj
Nếu aj thuộc khoảng tin cậy  chấp nhận H0: βj = aj
39

Ví dụ 4.8: Mô hình hồi quy về chi phí R&D của doanh nghiệp
Doanh thu
Chi tiêu cho R&D hàng năm Phần trăm lợi nhuận trên doanh thu
n  32; R 2  0,918; df  32  2  1  29; t0,025 (29)  2, 045

  ˆ  t (df ).se( ˆ )
1 1  /2   ˆ  t (df ).se( ˆ )
1 2 2  /2 2
= =
Tác động của doanh thu đến chi phí R&D ước lượng được có Tác động ước lượng được của profmarg có
khoảng tin cậy 95% khá hẹp. Ngoài ra, tác động này khác 0 khoảng tin cậy 95% rất rộng. Thậm chí tác
có ý nghĩa thống kê vì số 0 nằm ngoài khoảng tin cậy. động này không có ý nghĩa thống kê vì số 0
nằm trong khoảng tin cậy.
40
amtricao/ 20

• Tập tin rdchem.wf1
> hoiquy1<-lm(log(rd) ~ log(sales)+profmarg, data=rdchem)
> summary(hoiquy1)
Call:
lm(formula = log(rd) ~ log(sales) + profmarg, data = rdchem)
Coefficients:
(Intercept) -4.37827 0.46802 -9.355 2.93e-10 ***
log(sales) 1.08422 0.06020 18.012 < 2e-16 ***
profmarg 0.02166 0.01278 1.694 0.101
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> # Khoang tin cay 95%
> confint(hoiquy1,level = 0.95)
2.5 % 97.5 %
(Intercept) -5.335478450 -3.4210681
log(sales) 0.961107256 1.2073325
profmarg -0.004487722 0.0477991
Khoảng tin cậy 95% của β1: 1.08422  2.045*0.0602

Hay (0.9611 ; 1.2073) 41
41

4.4 Kiểm định giả thuyết về tổ hợp tuyến tính của các tham số
Ví dụ: Suất sinh lợi giáo dục khi học cao đẳng (2 năm) và đại học
(4 năm) Số năm đi học khi Số năm đi học khi
học hệ 2 năm học hệ 4 năm
4.17
Kiểm định với giả thuyết đối

. 4.18 4.19
Một thống kê kiểm định có thể dùng là :
Chênh lệch giữa các ước lượng được chuẩn hóa bằng cách chia cho
độ lệch chuẩn của khoảng chênh lệch này. Giả thuyết H0 sẽ bị bác bỏ
4.20 nếu giá trị thống kê t mang giá trị âm quá lớn để tin rằng sự khác
nhau thực sự trong tổng thể giữa hai ước lượng là bằng 0.
42
amtricao/ 21

Không thể tính toán với các kết quả hồi quy bình thường 4.23
Cách làm khác Không có sẵn trong kết quả hồi quy thông thường
Tính và kiểm định với . 4.24
4.25
Thêm đại lượng này vào hàm Biến độc lập mới (= tổng số năm đi học ở cả
hồi quy ban đầu hai hệ)
43

Tổng số năm đi học = jc+univ
Kết quả ước lượng
4.27
Giả thuyết bị bác bỏ tại mức ý nghĩa

10%, nhưng không bị bác bỏ tại 5%
t= -1,48 < -t0,1()= - 1,282 hay p-value(1p)= 0,07 < 0,1 : bác bỏ H0
t= -1,48 > -t0,05()= - 1,645 hay p-value(1p)= 0,07 > 0,05 : chấp nhận H0
Cách làm này luôn áp dụng được với các giả thuyết tuyến tính đơn
44
amtricao/ 22

• Tập tin twoyear.wf1
> hoiquy1<-lm(lwage ~ jc + univ + exper, data = twoyear)
> summary(hoiquy1)
Call:
lm(formula = lwage ~ jc + univ + exper, data = twoyear)
Coefficients:
(Intercept) 1.4723256 0.0210602 69.910 <2e-16 ***
jc 0.0666967 0.0068288 9.767 <2e-16 ***
univ 0.0768762 0.0023087 33.298 <2e-16 ***
exper 0.0049442 0.0001575 31.397 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

F-statistic: 644.5 on 3 and 6759 DF, p-value: < 2.2e-16
45

Ma trận hiệp phương sai của hệ số hồi quy
> vcov(hoiquy1)
(Intercept) jc univ exper
(Intercept) 4.435337e-04 -1.741432e-05 -1.573472e-05 -3.104756e-06
jc -1.741432e-05 4.663243e-05 1.927929e-06 -1.718296e-08
univ -1.573472e-05 1.927929e-06 5.330230e-06 3.933491e-08
exper -3.104756e-06 -1.718296e-08 3.933491e-08 2.479792e-08
var( ˆ1 )  4, 66.10 5 ; var( ˆ2 )  5,33.106 ;cov( ˆ1 , ˆ2 )  1,93.106
46
amtricao/ 23

> hoiquy2<-lm(lwage ~ jc + I(jc + univ) + exper, data = twoyear)
> summary(hoiquy2)
Call:
lm(formula = lwage ~ jc + I(jc + univ) + exper, data = twoyear)
Coefficients:
(Intercept) 1.4723256 0.0210602 69.910 <2e-16 ***
jc -0.0101795 0.0069359 -1.468 0.142
I(jc + univ) 0.0768762 0.0023087 33.298 <2e-16 ***
exper 0.0049442 0.0001575 31.397 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

• H0:  1=0 ; H1:  1≠0

• p-value(2p) = 0,142  p-value(1p) = 0,071
47
47

4.5 Kiểm định nhiều ràng buộc tuyến tính: Kiểm định F
Kiểm định các ràng buộc loại trừ
Tiền lương của các
cầu thủ bóng chày Số năm thi đấu Số trận tham gia thi
ở giải nhà nghề chuyên nghiệp đấu trung bình mỗi
năm
4.28
Điểm đánh Số lần đánh bóng Số lần đánh bóng ghi

bóng trung bình ghi điểm trực tiếp điểm mỗi năm
trung bình mỗi năm
4.29 với H1: H0 là sai 4.30

Kiểm định việc các đại lượng đo lường hiệu quả thi đấu của cầu thủ không tác động
đến tiền lương/ hoặc có thể loại bỏ khỏi phương trình hồi quy.
48
amtricao/ 24

Ước lượng mô hình chưa gán ràng buộc (UR)
4.31
Không có biến nào trong số các biến này có ý nghĩa thống kê khi kiểm
định đơn lẻ. tbavg = 0,89 ; thrunsyr = 0,89 ; trbisyr = 1,50
Gợi ý: Mức độ phù hợp của mô hình sẽ ra sao nếu các biến trên bị loại bỏ ra khỏi mô hình?
49

Ước lượng mô hình đã gán ràng buộc (R)
4.33
RSS sẽ tăng lên, nhưng liệu sự gia tăng này có ý nghĩa thống kê hay không?
Thống kê kiểm định Số các ràng buộc Sự tăng lên tương đối của tổng bình
phương phần dư khi đi từ H1 đến H0
4.37 tuân theo một phân phối F (nếu H0
là đúng )
df = n-(k+1), với (k+1) : số tham số của mô hình UR

50
amtricao/ 25

Quy tắc bác bỏ (Hình 4.7)
( Rur2  Rr2 ) / q
F 4.41
(1  Rur2 ) / df ur
dfur : bậc tự do của mô hình UR
Một biến ngẫu nhiên có phân phối F chỉ
có thể nhận giá trị dương. Điều này tương
ứng với việc tổng bình phương phần dư chỉ
có thể tăng thêm khi đi từ H1 đến H0.
Chọn giá trị tới hạn sao cho giả thuyết không sẽ
bị bác bỏ, ví dụ, trong 5% số trường hợp mặc dù
nó đúng.
Với mức ý nghĩa 5% ; q = 3 ; dfur = n-k-1 = 60 :

F0,05(3,60) = 2,76
F > F(q,n-k-1): bác bỏ H0 4.40 Nếu F > F0,05(3,60) : bác bỏ H0
51

Số các ràng buộc cần kiểm định
Kiểm định vấn đề trong ví dụ
(0,6278  0,5971) / 3
F  9,55
(1  0,6278) / 347
Bậc tự do của mô hình
F ~ F3,347 ; = 1% F0,01(3,347)= 3,78 chưa gán ràng buộc (UR)
Bằng chứng bác bỏ giả thuyết

không là rất mạnh (thậm chí ở
p-value = P(F-statistic > 9,55) = 4,47410-6 mức ý nghĩa rất nhỏ).
Thảo luận
F= 9,55 > F0,01(3,347)= 3,78
Ba biến được kiểm định là “có ý nghĩa đồng thời“
hay
Chúng không có ý nghĩa khi kiểm định riêng lẻ từng biến p-value= 4,47410-6 < 0,01:
Có thể đã có đa cộng tuyến giữa chúng bác bỏ H0
52
amtricao/ 26

• Tập tin mlb1.wf1
> hoiquy1<-lm(log(salary) ~ years + gamesyr + bavg +
hrunsyr + rbisyr, data = mlb1)
> summary(hoiquy1)
Call:
lm(formula = log(salary) ~ years + gamesyr + bavg + hrunsyr
+ rbisyr, data = mlb1)
Coefficients:
(Intercept) 1.119e+01 2.888e-01 38.752 < 2e-16 ***
years 6.886e-02 1.211e-02 5.684 2.79e-08 ***
gamesyr 1.255e-02 2.647e-03 4.742 3.09e-06 ***
bavg 9.786e-04 1.104e-03 0.887 0.376
hrunsyr 1.443e-02 1.606e-02 0.899 0.369
rbisyr 1.077e-02 7.175e-03 1.500 0.134
---
> nobs(hoiquy1)
[1] 353
R2 = 0.6278
n = df + số tham số = 347+6 = 353 53
53

> anova(hoiquy1)
Analysis of Variance Table
Response: log(salary)
Df Sum Sq Mean Sq F value Pr(>F)
years 1 165.980 165.980 314.4067 < 2.2e-16 ***
gamesyr 1 127.884 127.884 242.2441 < 2.2e-16 ***
bavg 1 0.881 0.881 1.6695 0.1972
hrunsyr 1 13.055 13.055 24.7299 1.039e-06 ***
rbisyr 1 1.189 1.189 2.2514 0.1344
Residuals 347 183.186 0.528
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’
0.1 ‘ ’ 1
SSR = 183.186
SSR  ˆ 2 .df  0, 7266 2 * 347
54
54
amtricao/ 27

> #Load package car
> library(car)
> # Kiem dinh F
> linearHypothesis(hoiquy1, c("bavg=0","hrunsyr=0", "rbisyr=0"))
Linear hypothesis test
Hypothesis:
bavg = 0
hrunsyr = 0
rbisyr = 0
Model 1: restricted model

Model 2: log(salary) ~ years + gamesyr + bavg + hrunsyr + rbisyr
Res.Df RSS Df Sum of Sq F Pr(>F)

1 350 198.31
2 347 183.19 3 15.125 9.5503 4.474e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
• F = 9,5503 > F0,05(3,347) = 2,6 : bác bỏ H0

• p-value = 4,47410-6 < 0,05 : bác bỏ H0
55
55

Phaân phoái Fisher F
 Trong EXCEL:
Ñeå tính F0,05(1,6) = 5.987
goõ coâng thöùc sau: =FINV(0.05,1,6)
p–value cuûa phaân phoái F ñöôïc tính theo coâng thöùc:
p–value= P(F >F)
goõ coâng thöùc =FDIST(5.987,1,6) ta ñöôïc p–value = 0.05
> # Gia tri toi han F0,05(3,20)

> c(F_alpha = round(qf(1-0.05,3,20),digits=4))
F_alpha
3.0984
> # p-value cua F= 3,0984 voi bac tu do 3 va 20
> c(p_value = round(1-pf(3.0984,3,20),digits=4))
p_value
0.05
56
56
amtricao/ 28

Kiểm định ý nghĩa toàn bộ của mô hình hồi quy
UR: 4.34
Giả thuyết không phát biểu rằng các biến

độc lập hoàn toàn không có tác dụng giải
4.44
thích cho biến phụ thuộc
R: 4.45 Mô hình đã gán ràng buộc
(hồi quy với hệ số chặn)
4.46
Kiểm định ý nghĩa toàn bộ của mô hình hồi quy được trình bày trong
hầu hết các phần mềm hồi quy. Giả thuyết không thường bị bác bỏ
H0: R2 = 0 (Hàm hồi quy mẫu SRF không phù hợp với mẫu khảo sát) 4.44
57

Tập tin mlb1.wf1
> hoiquy1<-lm(log(salary) ~ years + gamesyr + bavg
+ hrunsyr + rbisyr, data = mlb1)
> summary(hoiquy1)
Call:
lm(formula = log(salary) ~ years + gamesyr + bavg + hrunsyr
+ rbisyr, data = mlb1)
Coefficients:
(Intercept) 1.119e+01 2.888e-01 38.752 < 2e-16 ***
years 6.886e-02 1.211e-02 5.684 2.79e-08 ***
gamesyr 1.255e-02 2.647e-03 4.742 3.09e-06 ***
bavg 9.786e-04 1.104e-03 0.887 0.376
hrunsyr 1.443e-02 1.606e-02 0.899 0.369
rbisyr 1.077e-02 7.175e-03 1.500 0.134
---
• H0: β1 = … = β5 = 0 ; H1: H0 sai

• p-value < 2,210-16 < 0,05 : bác bỏ H0
58
58
amtricao/ 29

Tập tin mlb1.wf1
> linearHypothesis(hoiquy1, c("years=0", "gamesyr=0",
"bavg=0","hrunsyr=0", "rbisyr=0"))
Hypothesis:
years = 0
gamesyr = 0
bavg = 0
hrunsyr = 0
rbisyr = 0

Model 2: log(salary) ~ years + gamesyr + bavg + hrunsyr + rbisy
r

1 352 492.18
2 347 183.19 5 308.99 117.06 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
• H0: β1 = … = β5 = 0 ; H1: H0 sai

• p-value < 2,210-16 < 0,05 : bác bỏ H0
59
59

Kiểm định ràng buộc tuyến tính tổng quát với kiểm định F
• Mô hình chưa gán ràng buộc (UR)
y = β0 + β1x1 + β2x2 + β3x3 + β4x4 + β5x5 + β6x6 + u
• H0: β2 = 2, β4 = 0, β5 = -3 ; H1: H0 sai
• Mô hình đã gán ràng buộc (R)
y = β0 + β1x1 + 2x2 + β3x3 -3x5 + β6x6 + u (không chạy được)

 y - 2x2 + 3x5 = β0 + β1x1 + β3x3 + β6x6 + u (chạy được)
Chỉ dùng công thức (4.37), không dùng được công thức (4.41)
60
60
amtricao/ 30

Kiểm định ràng buộc tuyến tính tổng quát với kiểm định F
Ví dụ: Kiểm định sự hợp lý của việc định giá nhà
Giá dự kiến (giá được định ra Kích thước lô đất
Giá nhà thực tế
trước khi căn nhà được bán) (tính bằng feet)
4.47
Diện tích bình phương Số phòng ngủ
Hơn nữa, các yếu tố khác nhất thiết

4.48 không có tác động đến giá thực tế
một khi đã kiểm soát giá dự kiến.
Nếu căn nhà được định giá hợp lý, thì 1% sự thay đổi trong
giá dự kiến sẽ tương ứng với 1% thay đổi trong giá thực tế.
61

Mô hình chưa gán ràng buộc (UR)
y   0  1 x1   2 x2   3 x3   4 x4  u 4.49
Mô hình đã gán ràng buộc thực

Mô hình đã gán ràng buộc (R) chất là mô hình hồi quy [y-x1]
theo một hằng số
y   0  x1  u  y  x1   0  u 4.50
Thống kê kiểm định
F ~ F4,83 ; = 5% F0,05(4,83)= 2,50

F= 0,661 < F0,05(4,83)= 2,50 : chấp nhận H0 với mức ý nghĩa 5%
62
amtricao/ 31

• Tập tin hprice1.wf1
> hoiquy1<-lm(log(price) ~ log(assess) + log(lotsize)

+ log(sqrft) + bdrms, data = hprice1)
> summary(hoiquy1)
Call:
lm(formula = log(price) ~ log(assess) + log(lotsize)
+ log(sqrft) + bdrms, data = hprice1)
Coefficients:
(Intercept) 0.263743 0.569665 0.463 0.645
log(assess) 1.043066 0.151446 6.887 1.01e-09 ***
log(lotsize) 0.007438 0.038561 0.193 0.848
log(sqrft) -0.103239 0.138430 -0.746 0.458
bdrms 0.033839 0.022098 1.531 0.129
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
63
63

> linearHypothesis(hoiquy1, c("log(assess)=1", "log(lotsize)=0",
"log(sqrft)=0","bdrms=0"))
Hypothesis:
log(assess) = 1
log(lotsize) = 0
log(sqrft) = 0
bdrms = 0

Model 2: log(price) ~ log(assess) + log(lotsize) + log(sqrft) + b
drms

1 87 1.8801
2 83 1.8215 4 0.05862 0.6678 0.6162
• p-value = 0,6162 > 0,05 : chấp nhận H0

64
64
amtricao/ 32

Kết quả hồi quy của mô hình chưa gán ràng buộc (UR)
Khi kiểm định riêng rẽ,

không có bằng chứng
chống lại sự hợp lý của
việc định giá nhà
Kiểm định F áp dụng được với dạng tổng quát của các giả thuyết bội và tuyến tính
Với tất cả các kiểm định và các khoảng tin cậy, các giả thiết MLR.1 – MLR.6 được
giả định là thỏa mãn; nếu không các kiểm định sẽ không còn đáng tin cậy.
65

• Mối liên hệ giữa thống kê t và F:
Kiểm định giả thiết đối 2 phía thì kết quả theo t và F là như nhau.
• Tập tin wage2.wf1
> hoiquy1<-lm(wage ~ educ + exper + tenure, data = wage2)

> summary(hoiquy1)
Call:
lm(formula = wage ~ educ + exper + tenure, data = wage2)
Coefficients:
(Intercept) -276.240 106.702 -2.589 0.009778 **
educ 74.415 6.287 11.836 < 2e-16 ***
exper 14.892 3.253 4.578 5.33e-06 ***
tenure 8.257 2.498 3.306 0.000983 ***
---
66
66
amtricao/ 33

1) H0: βeduc = 63 ; H0: βeduc ≠ 63
74,41486  63
t  1,815631 ;  = 5%
6, 286993
|t| = 1,815631 < t0,025() = 1,96 : chấp nhận H0
Hay: p-value(2p) = P(|t| > 1,815631) = 0,0697 (phần mềm)
p-value(2p) > 0,05 : chấp nhận H0
2) H0: βeduc = 63 ; H0: βeduc > 63
t = 1,815631 > t0,05() = 1,645 : bác bỏ H0
Hay: p-value(1p) = 0,0697/2 = 0,0349 < 0,05 : bác bỏ H0

67
67

# Kiem dinh t
t_test <- function(reg, coefnum, val){
coefnum <- coefnum+1 # he so chan o vi tri so 1
co <- coef(summary(reg))
tstat <- (co[coefnum,1]-val)/co[coefnum,2]
p_value <- 2 * pt(abs(tstat), reg$df.residual, lower.tail = FALSE)
result1 <- c(t_stat = round(tstat, digits=4))
result2 = c(p_value_2p = round(p_value, digits=4))
result3 = c(p_value_1p = round(p_value/2, digits=4))
return(list(result1, result2,result3))
}
# y = b0 + b1*x1 + b2*x2 + b3*x3
# H0: b1 = 63 ; H1: b1 <> 63
# Chay ham Kiem dinh t truoc
t_test(hoiquy1,1,63) # nhap so 1 cho b1
68
68
amtricao/ 34

> t_test(hoiquy1,1,63) # nhap so 1 cho b1

[[1]]
t_stat
1.8156
[[2]]
p_value_2p
0.0697
[[3]]
p_value_1p
0.0349
> 1.8156^2
[1] 3.296403
69
69

> #Load package car
> library(car)
> # Kiem dinh F
> linearHypothesis(hoiquy1, c("educ=63"))
Hypothesis:
educ = 63

Model 2: wage ~ educ + exper + tenure

1 932 130899834
2 931 130437974 1 461859 3.2965 0.06975 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
Nhận xét:
t2 = F
1,81562 = 3,2964
70
70
amtricao/ 35

• 4.6 Trình bày kết quả hồi quy (bằng tay)
• Ví dụ 4.10 Sự đánh đổi Giữa tiền Lương và Phụ cấp của Giáo viên
71
71

• Ví dụ 4.10 Sự đánh đổi Giữa tiền Lương và Phụ cấp của Giáo viên
• salary lương của giáo viên

• b/s là viết tắt của “tỷ lệ phụ cấp trên lương”
• enroll quy mô của trường
• staﬀ số giáo viên trên một nghìn học sinh
• droprate tỷ lệ học sinh bỏ học
• gradrate tỷ lệ học sinh tốt nghiệp
• totcomp tổng thu nhập hàng năm trung bình cho một giáo viên, bao gồm
lương và các phụ cấp (lương hưu, bảo hiểm y tế và các khoản khác)
•
72
72
amtricao/ 36
Môøi gheù thaêm trang web:
 https://sites.google.com/a/ueh.edu.vn/phamtricao/
 https://sites.google.com/site/phamtricao/
73
73
amtricao/ 37

Chuong 04

Uploaded by

Copyright:

Available Formats

You might also like

Chuong 04

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Chuong 04

Uploaded by

Copyright:

Available Formats

Chương 4 - Nhập môn Kinh tế lượng * 03.08.

Phân tích hồi quy bội:

Wooldridge: Introductory Econometrics:

Phân tích hồi quy bội

4.1 Phân phối mẫu của ước lượng OLS

Ước lượng OLS là các biến ngẫu nhiên

Để suy luận về phân phối, chúng ta cần thêm giả thiết

Phân tích hồi quy bội

Nếu có MLR.6 thì sẽ có MLR.4 và MLR.5

Giả sử rằng phần sai số của hồi quy tổng

Dạng phân phối và phương sai không

PHÂN TÍCH HỒI QUY BỘI

• Có x1,..., xk là các biến ngẫu nhiên

Nếu các điều kiện sau thỏa:

Phân tích hồi quy bội

Phân tích hồi quy bội

PHÂN TÍCH HỒI QUY BỘI:

Giả thiết MLR1-6:

PHÂN TÍCH HỒI QUY BỘI

Residual standard error: 0.3298 on 136 degrees of freedom

PHÂN TÍCH HỒI QUY BỘI

PHÂN TÍCH HỒI QUY BỘI

> # Kiem dinh Kolmogorov-Smirnov

PHÂN TÍCH HỒI QUY BỘI

H0: phần dư có phân phối chuẩn

Phân tích hồi quy bội

Định lý 4.1 (Phân phối chuẩn trong mẫu)

Dưới các giả thiết MLR.1 – MLR.6:

Phân tích hồi quy bội

Dưới các giả thiết MLR.1 – MLR.6:

Phân tích hồi quy bội

Phân phối của thống kê t nếu giả thuyết không là đúng

Phân tích hồi quy bội :

Kiểm định H 0 :  j  0 với giả thuyết đối H1 :  j  0 . 4.6

Bác bỏ giả thuyết không và ủng hộ giả thuyết đối

Trong ví dụ đã cho, đây là giá trị của phân phối t

Phân tích hồi quy bội

Kiểm định với giả thuyết đối .

Phân tích hồi quy bội

Phân tích hồi quy bội

t0,05(18)= 1,734 Kiểm định H 0 :  j  0 với giả thuyết đối H1 :  j  0 4.8

Trong ví dụ đã cho, đây là điểm giá trị mà tại đó

Bác bỏ H0 nếu thống kê t nhỏ hơn -1,734

t  t ( n  k  1) : bac bo H 0 4.9

Phân tích hồi quy bội

Kiểm định với giả thuyết đối

Phân tích hồi quy bội

Giả thuyết không không bị bác bỏ vì thống kê t không nhỏ hơn

Phân tích hồi quy bội

R2 cao hơn một chút

với giả thuyết đối .

Phân tích hồi quy bội

(tác động rất nhỏ)

Phân tích hồi quy bội

t0,025(25)= 2,06 Kiểm định H 0 :  j  0 với H 0 :  j  0 . 4.10

Trong ví dụ đã cho, những điểm ứng với 5% các

Phân tích hồi quy bội

Tác động của hsGPA và số buổi cúp học

Tác động của ACT khác 0 không có ý

# y = b0 + b1x1 + b2x2 + b3x3 + b4x4