Chuong 06

Chương 6 - Nhập môn Kinh tế lượng * 03.08.
2021
Jeffrey M. Wooldridge
Phân tích hồi quy bội:

Một số vấn đề mở rộng
Chương 6
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:

MỘT SỐ VẤN ĐỀ MỞ RỘNG
6.1 Vấn đề đơn vị tính trong hồi quy OLS
• bwght : cân nặng của trẻ sơ sinh, đơn vị tính là ounce

cigs : số điếu thuốc mà người mẹ hút hàng ngày trong thời gian mang thai
faminc : thu nhập của gia đình, đơn vị nghìn đôla
Đơn vị đo mới:
• bwghtlbs = bwght/16 ; bwghtlbs là cân nặng của em bé với đơn vị pound
1 pound tương ứng 16 ounce
• packs = cigs/20 ; packs là số gói thuốc người mẹ hút trong một ngày
1 packs có 20 cigs
• fincdol = 1000 faminc ; fincdol là thu nhập của gia đình (usd)
faminc là thu nhập của gia đình (ngàn usd)
Tập tin bwght.RData
https://sites.google.com/a/ueh.edu.vn/ph
amtricao/ 1
Chương 6 - Nhập môn Kinh tế lượng * 03.08.2021

• 6.1 Vấn đề đơn vị tính trong hồi quy OLS
•
> hoiquy1 <- lm(bwght ~ cigs + faminc, data = bwght)
•
> summary(hoiquy1)
Call:
lm(formula = bwght ~ cigs + faminc, data = bwght)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 116.97413 1.04898 111.512 < 2e-16 ***
cigs -0.46341 0.09158 -5.060 4.75e-07 ***
faminc 0.09276 0.02919 3.178 0.00151 **
---
Multiple R-squared: 0.0298, Adjusted R-squared: 0.02
84
> nobs(hoiquy1)
[1] 1388
3

•
> hoiquy2 <- lm(bwghtlbs ~ packs + fincdol, data = bwght)
> summary(hoiquy2)
Call:
lm(formula = bwghtlbs ~ packs + fincdol, data = bwght)
Coefficients:
(Intercept) 7.311e+00 6.556e-02 111.512 < 2e-16 ***
packs -5.793e-01 1.145e-01 -5.060 4.75e-07 ***
fincdol 5.798e-06 1.824e-06 3.178 0.00151 **
---
> nobs(hoiquy2)
[1] 1388
amtricao/ 2

> hoiquy3 <- lm(bwght ~ cigs + log(faminc), data = bwght)

> summary(hoiquy3)
Call:
lm(formula = bwght ~ cigs + log(faminc), data = bwght)
Coefficients:
(Intercept) 113.99070 1.94392 58.640 < 2e-16 ***
cigs -0.46723 0.09144 -5.110 3.68e-07 ***
log(faminc) 1.85072 0.59489 3.111 0.0019 **
---
> nobs(hoiquy3)
[1] 1388

> hoiquy4 <- lm(bwght ~ cigs + log(fincdol), data = bwght)

> summary(hoiquy4)
Call:
lm(formula = bwght ~ cigs + log(fincdol), data = bwght)
Coefficients:
(Intercept) 101.20641 5.99489 16.882 < 2e-16 ***
cigs -0.46723 0.09144 -5.110 3.68e-07 ***
log(fincdol) 1.85072 0.59489 3.111 0.0019 **
---
> nobs(hoiquy4)
[1] 1388
amtricao/ 3

> hoiquy7 <- lm(bwght ~ packs + log(faminc), data = bwght)

> summary(hoiquy7)
Call:
lm(formula = bwght ~ packs + log(faminc), data = bwght)
Coefficients:
(Intercept) 113.9907 1.9439 58.640 < 2e-16 ***
packs -9.3446 1.8288 -5.110 3.68e-07 ***
log(faminc) 1.8507 0.5949 3.111 0.0019 **
---
Residual standard error: 20.07 on 1385 degrees of freedom
F-statistic: 21.06 on 2 and 1385 DF, p-value: 9.796e-10
> nobs(hoiquy7)
[1] 1388

> hoiquy8 <- lm(bwghtlbs ~ packs + log(fincdol), data = bwght)

> summary(hoiquy8)
Call:
lm(formula = bwghtlbs ~ packs + log(fincdol), data = bwght)
Coefficients:
(Intercept) 6.32540 0.37468 16.882 < 2e-16 ***
packs -0.58403 0.11430 -5.110 3.68e-07 ***
log(fincdol) 0.11567 0.03718 3.111 0.0019 **
---
F-statistic: 21.06 on 2 and 1385 DF, p-value: 9.796e-10
> nobs(hoiquy8)
[1] 1388
amtricao/ 4

> hoiquy5 <- lm(log(bwght) ~ packs + log(faminc), data = bwght)

> summary(hoiquy5)
Call:
lm(formula = log(bwght) ~ packs + log(faminc), data = bwght)
Coefficients:
(Intercept) 4.718594 0.018244 258.631 < 2e-16 ***
packs -0.081632 0.017164 -4.756 2.18e-06 ***
log(faminc) 0.016266 0.005583 2.913 0.00363 **
---
> nobs(hoiquy5)
[1] 1388

> hoiquy6 <- lm(log(bwghtlbs) ~ packs + log(fincdol), data = bwght)

> summary(hoiquy6)
Call:
lm(formula = log(bwghtlbs) ~ packs + log(fincdol), data = bwght)
Coefficients:
(Intercept) 1.833646 0.056265 32.590 < 2e-16 ***
packs -0.081632 0.017164 -4.756 2.18e-06 ***
log(fincdol) 0.016266 0.005583 2.913 0.00363 **
---
> nobs(hoiquy6)
[1] 1388
10
10
amtricao/ 5

Công thức
Hàm hồi quy mẫu theo đơn vị đo cũ
ŷ  ˆ0  ˆ1 x1  ˆ2 x2

Hàm hồi quy mẫu theo đơn vị đo mới
ŷ *  ˆ0*  ˆ1* x1*  ˆ2* x2*

Với y*  k0 y ; x1*  k1 x1 ; x2*  k2 x2
k0 ˆ ˆ * k0 ˆ
ˆ0*  k0 ˆ0 ; ˆ1*  1 ;  2   2
k1 k2 11
11

Nhận xét
* Biến gốc
Khi thay đổi đơn vị đo của biến phụ thuộc và các biến độc lập, ta thấy:
Không bị thay đổi: Cột t-Statistic, cột Prob, R-squared, F-statistic,
Prob(F-statistic)
Bị thay đổi: Cột Coefficient, cột Std. Error, S.E. of regression, Sum
squared resid
Các mục còn lại tự nghiên cứu tiếp.
* Biến có lấy log

• Log chỉ biến phụ thuộc
• Log chỉ biến độc lập
• Log cả biến phụ thuộc và biến độc lập
Tự rút ra nhận xét.

12
12
amtricao/ 6

• Bàn thêm về dạng hàm logarit
Bài tập:
y: chi tiêu của gia đình (triệu đ)

x1: thu nhập của vợ (USD)
x2: số năm đi học của vợ (năm)
x3: thu nhập của chồng (triệu đ)
Các hệ số hồi quy (ở từng mô hình) sẽ thay đổi như thế nào nếu đơn vị của
các biến là:
y*: chi tiêu của gia đình (trăm ngàn đ)

x1* : thu nhập của vợ (trăm USD)
x2*: số năm đi học của vợ (tháng)
x3*: thu nhập của chồng (USD) ; 1 USD = 20 ngàn đ
13
13

• Bàn thêm về dạng hàm logarit (bài tập tt)
Xét mô hình 1:
y   0  1 x1   2 x2   3 log( x3 )  u
Xét mô hình 2:
log( y )   0  1 x1   2 x2   3 x3  u
Xét mô hình 3:
log( y )   0  1 log( x1 )   2 x2   3 x3  u
14
14
amtricao/ 7

6.2 Bàn thêm về dạng hàm hồi quy
Bàn thêm về dạng hàm logarit
Thuận lợi khi giải thích bằng tỷ lệ phần trăm/ hệ số co giãn
Hệ số góc của các biến lấy log là bất biến đối với thay đổi tỷ lệ
Lấy log thường loại bỏ / giảm nhẹ vấn đề các giá trị bất thường
Lấy log thường giúp bảo đảm tính chuẩn và phương sai không đổi
Các biến sử dụng đơn vị đo lường như năm thì không nên lấy log
Các biến sử dụng đơn vị đo lường tỷ lệ phần trăm cũng không nên lấy log
Log không được sử dụng nếu biến có giá trị 0 hoặc âm
Có khó khăn khi lấy toán tử ngược của log trong dự đoán
15

Sự khác nhau giữa điểm phần trăm (percentage point) và
phần trăm (percent)
Điểm phần trăm là đơn vị đo khác biệt số học của hai trị
số phần trăm.
Ví dụ 1: Tỷ lệ sản xuất CN năm 2000 là 40%, năm 2001 là
44%.
Tỷ lệ sản xuất CN năm 2001 tăng so với 2000 là 4 điểm phần
44  40
trăm, nhưng là tăng  0,1  1 0 % .
40
Ví dụ 2: Năm 1980 có 50% dân số hút thuốc, năm 1990 có
40%.
Từ 1980 đến 1990, tỷ lệ hút thuốc giảm 10 điểm phần trăm,
50  40
nhưng là giảm  0, 2  20%
50
16
16
amtricao/ 8

• Bàn thêm về dạng hàm logarit : Khi nào có thể xem 2.43 như 6.9 ?
%y  (100. 2 ) x2 2.43
giả sử β2^ >0
Cố định x1 , khi x2 tăng 1 đơn vị thì y tăng 100*β2^ (%)

Cách khác:
Cố định x1 , ta có:
Suy ra: 6.8
thì
6.9
Cố định x1 , khi x2 tăng 1 đơn vị thì y tăng 100*[exp(β2^)-1] (%)

17
17

Sử dụng dạng hàm bậc 2
Ví dụ: Phương trình lương Dạng hàm lõm
6.12
Số năm kinh nghiệm tăng lên 1 năm (từ 0

lên 1) thì lương tăng là 0,298 $,
Tác động biên Số năm kinh nghiệm tăng lên 1 năm (từ 1
lên 2) thì lương tăng là 0,298-2(0,0061)(1)
= 0,286 $ ...
6.10 6.11
18
amtricao/ 9

Cực đại của lương tương ứng với số năm kinh nghiệm
6.13
Liệu điều này có nghĩa là số năm kinh nghiệm

nhiều hơn 24,4 năm trở nên tiêu cực?
Không nhất thiết là như vậy. Điều đó phụ thuộc

Không vào có bao nhiêu quan sát trong mẫu nằm bên
hợp lý phải điểm cực đại.
Trong ví dụ trên, có khoảng 28% các quan sát

nằm bên phải. Có thể có một vấn đề lỗi chỉ định
mô hình (ví dụ biến bị bỏ sót, dạng hàm sai...).
19
Phân tích hồi quy bội: Một số

vấn đề mở rộng Nitơ oxit trong không khí, khoảng cách từ
trung tâm việc làm, tỷ lệ sinh viên/giáo viên
Ví dụ 6.2: Ảnh hưởng của ô nhiễm tới giá nhà đất
Điều này có nghĩa rằng, ở một số ít các phòng,

nhiều phòng có liên quan với giá thấp hơn?
 log( price)
 0,545  2(0,062)rooms
rooms
20
amtricao/ 10

Tính toán điểm cực tiểu
-54.5+12.4*5
Điểm cực tiểu:
Diện tích này có thể bỏ qua

vì nó liên quan đến chỉ có
1% các quan sát.
Gia tăng số phòng từ 5 lên 6 thì giá tăng:
= -54,5+12,4*5 = +7,5%
Không
Gia tăng số phòng từ 6 lên 7 thì giá tăng:
hợp lý
= -54,5+12,4*6 = +19,9%
21

Khả năng khác
6.15
6.16
Đa thức bậc cao hơn
cost = (β1 + 2β2 quantity + 3β3 quantity2).quantity

22
amtricao/ 11

Mô hình với các số hạng tương tác
price   0  1sqrft   2bdrms Số hạng tương tác
  3 sqrft.bdrms   4bthrms  u
price
  2   3 sqrft
Tác động của số phòng ngủ
phụ thuộc vào diện tích
bdrms
6.17
Việc giải thích các tham số khá phức tạp khi có tác động tương tác
Tác động của số phòng ngủ, nhưng ứng với diện tích là 0
23

Xác định lại tham số của tác động tương tác Trung bình tổng thể; có thể được
thay thế bởi trung bình mẫu
Tác động của x2 nếu tất cả các biến cố định tại giá trị trung bình
Lợi ích của việc xác định lại các tham số

Dễ dàng giải thích tất cả các tham số
Sai số chuẩn được tính cho các tác động riêng phần tại giá trị trung bình.
Nếu cần thiết, giá trị μ1 và μ2 có thể được thay thế bằng một giá trị khác
cần quan tâm
24
amtricao/ 12

6.3 Bàn thêm về độ phù hợp và vấn đề lựa chọn biến độc lập
Nhận xét chung về R2
Một R2 cao không ngụ ý rằng có một quan hệ nhân quả
Một R2 thấp không loại trừ tính hiệu quả của các tác động riêng phần
R2 hiệu chỉnh (Adjusted R-squared):
R2 thông thường được định nghĩa là gì?
là 1 ước lượng của
6.20
R2 tổng thể
25

R2 hiệu chỉnh (tt) Bậc tự do đúng của tử số và mẫu số là
Một ước lượng tốt hơn có xét đến bậc tự do sẽ là
6.21
R2 hiệu chỉnh có tính đến hệ quả của việc thêm các biến độc lập mới
R2 hiệu chỉnh tăng nếu và chỉ nếu thống kê t (F) của một (một số ) biến độc lập
mới được thêm vào có trị tuyệt đối lớn hơn 1
Mối liên hệ giữa R2 và R2 hiệu chỉnh
6.22
R2 hiệu chỉnh có thể lấy giá trị âm
Ví dụ:
R 2  0,1, n  51, k  10  R 2  0,125  0
26
amtricao/ 13

Tóm lại:
 SSR là hàm giảm theo số biến độc lập trong mô hình
SST không phụ thuộc vào số biến độc lập trong mô hình
 R2 là hàm tăng theo số biến độc lập trong mô hình
R 2 không là hàm tăng theo số biến độc lập trong mô hình
 Nếu số tham số (k+1) > 1 thì R 2  R 2  1
Nếu số tham số càng lớn thì R 2 càng nhỏ hơn R2
Ta cần xem xét có nên đánh đổi giữa việc thêm biến độc lập vào mô
hình để R2 tăng và những bất lợi có thể có khi thêm biến độc lập.
27
27

Sử dụng R2 hiệu chỉnh để chọn lựa giữa các mô hình không lồng nhau
Các mô hình được gọi là không lồng nhau nếu cái này không phải là trường
hợp đặc biệt của cái kia
6.23
6.24
Việc so sánh R2 của hai mô hình sẽ là không công bằng với mô hình đầu
tiên bởi vì mô hình đầu tiên chứa ít tham số hơn
Trong ví dụ trên, ngay cả sau khi đã điều chỉnh cho sự khác biệt về bậc tự
do (dùng R2 hiệu chỉnh), mô hình bậc hai vẫn được ưa thích hơn
28
amtricao/ 14

So sánh các mô hình với biến phụ thuộc có dạng khác nhau
R2 hoặc R2 hiệu chỉnh không được sử dụng để so sánh các mô hình
mà chúng có dạng hàm của biến phụ thuộc khác nhau
Ví dụ 6.4: Mức đãi ngộ đối với CEO và hiệu quả doanh nghiệp
6.25
log(salary) biến
thiên ít hơn so
với salary (xem
TSS)
6.26
29

Lựa chọn giữa các mô hình:
Có các tiêu chuẩn lựa chọn mô hình trong R như sau:
• Các tiêu chuẩn sau càng lớn càng tốt
– R2 hiệu chỉnh
• Các tiêu chuẩn sau càng nhỏ càng tốt
– Akaike information criterion (AIC)
– Bayesian information criterion (BIC)
– Cp của Mallows (Cp)
• Điều kiện sử dụng các tiêu chuẩn này:
– Cùng dạng hàm của biến phụ thuộc
– Cùng cỡ mẫu
30
30
amtricao/ 15

• Lựa chọn giữa các mô hình:
• Tiêu chuẩn AIC và BIC
> load("E:/# Slide Viet 2019-01/Chuong 6/bwght.RData")
> bwght_data <- na.omit(data)
> names(bwght_data)
[1] "faminc" "cigtax" "cigprice" "bwght" "fatheduc" "motheduc" "parity"
"male" "white"
[10] "cigs" "lbwght" "bwghtlbs" "packs" "lfaminc"
> bwght_data1 <- bwght[, -c(11:14)]
> names(bwght_data1)
[1] "faminc" "cigtax" "cigprice" "bwght" "fatheduc" "motheduc" "parity"
"male" "white"
[10] "cigs"
> attach(bwght_data1)
The following object is masked _by_ .GlobalEnv:
bwght
> rest_model <- lm(bwght ~faminc+cigtax, data=bwght_data1)
> AIC(rest_model)
[1] 10529.48
> BIC(rest_model)
[1] 10549.81
31
31

• Tiêu chuẩn Cp (cách 1)
> install.packages("olsrr")
> library(olsrr)
Attaching package: ‘olsrr’
The following object is masked from ‘package:datasets’:
rivers
> full_modelfull <- lm(bwght ~ faminc+cigtax+cigprice+fatheduc,

data=bwght_data1)
> rest_model <-lm(bwght ~faminc+cigtax, data=bwght_data1)
> ols_mallows_cp(rest_model, full_modelfull)
[1] 4.079621
rest_model là mô hình lồng trong mô hình full_modelfull

32
32
amtricao/ 16

• Tiêu chuẩn Cp (cách 1)
• > full_model1 <- lm(bwght ~ ., data = bwght_data1)
> rest_model <- lm(bwght ~ faminc+cigtax, data = bwght_data1)
> ols_mallows_cp(rest_model, full_model1)
[1] 54.61653
Minh họa
Tuyến tính Tuyến Hồi quy qua Dạng hàm Chọn mô hình
tính-log gốc tọa độ bậc 2
AIC 0,5 0,51 0,63 0,72 Tuyến tính
BIC 0,47 0,46 0,56 0,78 Tuyến tính-log
Cp 2,1 1,9 1,7 1,2 Dạng hàm bậc 2
R2 hiệu 0,73 0,68 0,72 0,85 Dạng hàm bậc 2
chỉnh
33
33

Kiểm soát việc có quá nhiều yếu tố trong phân tích hồi quy
Trong một số trường hợp, một số biến không nên kiểm soát trong mô hình
Trong hồi quy của tử vong do giao thông (fatalities) theo thuế bia của bang
(tax) (và các yếu tố khác như miles – tổng số dặm đã lái xe , percmale – phần
trăm nam giới trong dân số,...) không nên kiểm soát trực tiếp (đưa biến vào mô
hình) lượng bia tiêu thụ trên đầu người (beercons) giữa các địa phương
fatalities = 0+ 1 tax+ 2 miles+ 3 percmale +…
Trong hồi quy của chi phí y tế gia đình theo việc sử dụng thuốc trừ sâu của
nông dân không nên kiểm soát số lần đi khám bác sĩ
Chi phí sức khỏe bao gồm số lần khám bệnh, và chúng ta chỉ muốn đo lường toàn
bộ tác động của việc sử dụng thuốc trừ sâu lên chi phí y tế gia đình
34
amtricao/ 17

Kiểm soát việc có quá nhiều yếu tố trong phân tích hồi quy
Các hồi quy khác nhau có thể phục vụ các mục đích khác nhau
Trong hồi quy giá nhà - log(price) theo các đặc điểm của ngôi nhà như
log(lotsize), log(sqrft), bdrms ... chúng ta cần thêm biến định giá – log(assess)
của giá nhà nếu mục đích của hồi quy là nghiên cứu sự hợp lý của của việc định
giá; nếu không thì ta sẽ không thêm biến định giá vào
35

Thêm biến độc lập để giảm phương sai của nhiễu
Việc thêm biến độc lập có thể làm trầm trọng thêm vấn đề đa cộng tuyến
Mặt khác, việc thêm biến độc lập làm giảm phương sai của nhiễu
Các biến không tương quan với biến độc lập đã có nên được thêm vào bởi vì chúng
làm giảm phương sai nhiễu mà không làm tăng tính đa cộng tuyến
Tuy nhiên, các biến không tương quan như vậy rất khó tìm thấy
Ví dụ: lượng bia tiêu thụ của mỗi cá nhân và giá bia
Việc bao gồm các đặc điểm cá nhân trong hồi quy lượng bia tiêu thụ theo giá bia
dẫn đến ước lượng hệ số co giãn của lượng cầu bia theo giá bia “chính xác” hơn
Giả định hợp lý là đặc điểm cá nhân (tuổi, số năm đi học,…) không tương quan với giá bia
36
amtricao/ 18

• 6.4 Phân tích về dự đoán và sai số dự đoán
Dự đoán điểm cho giá trị trung bình và giá trị cá biệt (cụ thể)
6.27
Giả sử c1, c2,…, ck là giá trị cụ thể của x1, x2,…, xk

Dự đoán (ước lượng) điểm của giá trị trung bình E(y/x1=c1,…,xk=ck)
hay giá trị cá biệt y0 là:
y0 ^ = 6.29
37
37

• VD 6.5: Khoảng tin cậy dự đoán điểm trung bình GPA đại học
6.32
Dự đoán trung bình GPA đại học khi sat= 1200, hsperc= 30, hsize= 5?
Dự đoán điểm:
0^= y0^= 1.493 + 0.00149*1200 - 0.01386*30 - 0.06088*5 + 0.00546*52 = 2.70
hsperc: phân vị trung học, từ trên xuống (xếp hạng của sv tại trường trung học)
hsize: quy mô lớp tốt nghiệp 38
38
amtricao/ 19

Dự đoán khoảng cho giá trị trung bình
Thay vào hồi quy trên
Ta được: 6.30
Tức là ta chạy hồi quy y theo hệ số chặn, (x1-c1), (x2-c2),…, (xk-ck) 6.31
Giá trị dự đoán và sai số chuẩn của 0^ dễ dàng tìm được thông qua hệ
số chặn của hàm hồi quy (6.31)
Khoảng tin cậy dự đoán 1- của giá trị trung bình là:
0^  t/2(n-k-1)*se(0^)
39
39

Đặt sat0= sat-1200, hsperc0= hsperc-30, hsize0= hsize-5, hsizesq0= hsize2-25
Khoảng tin cậy dự đoán 95% cho điểm trung bình GPA đại học là:
2.70  1.96*0.02 hay (2.66 ; 2.74)
40
40
amtricao/ 20

Tập tin gpa2.wf1
> hoiquy <- lm(colgpa ~ sat + hsperc + hsize + I(hsize^2), data = gpa2)
> summary(hoiquy)
Call:
lm(formula = colgpa ~ sat + hsperc + hsize + I(hsize^2), data = gpa2)
Coefficients:
(Intercept) 1.493e+00 7.534e-02 19.812 < 2e-16 ***
sat 1.492e-03 6.521e-05 22.886 < 2e-16 ***
hsperc -1.386e-02 5.610e-04 -24.698 < 2e-16 ***
hsize -6.088e-02 1.650e-02 -3.690 0.000228 ***
I(hsize^2) 5.460e-03 2.270e-03 2.406 0.016191 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> nobs(hoiquy)
[1] 4137
41
41

Tập tin gpa2.wf1
> # hoi quy du bao
> hoiquy1 <- lm(colgpa ~ I(sat-1200) + I(hsperc-30) + I(hsize-5)
+ I(hsize^2-25), data = gpa2)
> summary(hoiquy1)
Call:
lm(formula = colgpa ~ I(sat - 1200) + I(hsperc - 30)
+ I(hsize - 5) + I(hsize^2 - 25), data = gpa2)
Coefficients:
(Intercept) 2.700e+00 1.988e-02 135.833 < 2e-16 ***
I(sat - 1200) 1.492e-03 6.521e-05 22.886 < 2e-16 ***
I(hsperc - 30) -1.386e-02 5.610e-04 -24.698 < 2e-16 ***
I(hsize - 5) -6.088e-02 1.650e-02 -3.690 0.000228 ***
I(hsize^2 - 25) 5.460e-03 2.270e-03 2.406 0.016191 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> nobs(hoiquy1)
[1] 4137
42
42
amtricao/ 21

Khoảng tin cậy dự đoán của giá trị cá biệt y0
6.33
Sai số dự đoán là:
6.34
Phương sai của sai số dự đoán:
6.35
Sai số chuẩn:
6.36
Khoảng tin cậy dự đoán 1- của dự đoán giá trị cá biệt y0 là:
y0^  t/2(n-k-1)*se(e0^) 6.37
43
43

• VD 6.5 Khoảng tin cậy dự đoán điểm cá biệt GPA đại học
Ta có: ;
= 0.5604
Khoảng tin cậy dự đoán 95% của điểm GPA từng học sinh cụ thể :
2.70  1.96*0.5604 hay (1.6016 đến 3.7984)
44
44
amtricao/ 22

Tập tin gpa2.wf1
> # du bao diem

> cvalues <- data.frame(sat=1200, hsperc=30, hsize=5)
> predict(hoiquy,cvalues)
1
2.700075
> # du bao khoang cho gia tri trung binh

> predict(hoiquy,cvalues, interval = "confidence", level = 0.95)
fit lwr upr
1 2.700075 2.661104 2.739047
> # du bao khoang cho gia tri ca biet

> predict(hoiquy,cvalues, interval = "prediction", level = 0.95)
fit lwr upr
1 2.700075 1.601749 3.798402
45
45

Dự đoán y khi biến phụ thuộc là log(y)
6.38
* yˆ

 exp(log( y )). exp(ˆ 2 / 2) 6.40 Cần điều kiện u có phân phối chuẩn N(0,2)
* Dưới giả định là độc lập với : u không có phân phối chuẩn
 1 n 
yˆ  exp(log( y )).   exp(uˆi )  6.42-6.43
 n i 1 
Dự đoán của y
Không cần điều kiện u có phân phối chuẩn
46
amtricao/ 23

So sánh R2 của mô hình có log và không có log ở biến phụ thuộc
VD 6.7 và 6.8
6.47
Log(mktval)
6.45
Đây là các R2 cho dự đoán của biến salary không

có log (mặc dù hồi quy thứ hai nguyên gốc là
log(salary). Bây giờ có thể so sánh trực tiếp hai R2.
R2~ = r(y, y^)2, với y^ tính theo công thức (6.40) hoặc (6.42-6.43)
47

Chọn lựa dạng hàm y hoặc lny theo BoxCox
Y = a+bX
lnY = a+bX
Cỡ mẫu là n
1) Tính trung bình hình học
Y G  n Y1  ...  Yn
2) Tính Y * Y
Y
3) Chạy hồi quy Y* = a+bX  SSRY
Chạy hồi quy lnY* = c+dX  SSRlnY
n
4) Tính BoxCox  .ln(SSRlớn/SSRnhỏ)
2
5) H0: 2 mô hình tốt như nhau ; H1: H0 sai
Quy tắc bác bỏ:
BoxCox  2 (1) : bác bỏ H0
Mô hình nào có SSR nhỏ hơn sẽ tốt hơn
48
48
amtricao/ 24
Môøi gheù thaêm trang web:

49
 https://sites.google.com/a/ueh.edu.vn/phamtricao/
 https://sites.google.com/site/phamtricao/
49
amtricao/ 25

Chuong 06

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 06

Uploaded by

Copyright:

Available Formats

Chương 6 - Nhập môn Kinh tế lượng * 03.08.

Phân tích hồi quy bội:

Wooldridge: Introductory Econometrics:

PHÂN TÍCH HỒI QUY BỘI:

• bwght : cân nặng của trẻ sơ sinh, đơn vị tính là ounce

Tập tin bwght.RData

PHÂN TÍCH HỒI QUY BỘI:

PHÂN TÍCH HỒI QUY BỘI:

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy3 <- lm(bwght ~ cigs + log(faminc), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy4 <- lm(bwght ~ cigs + log(fincdol), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy7 <- lm(bwght ~ packs + log(faminc), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy8 <- lm(bwghtlbs ~ packs + log(fincdol), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy5 <- lm(log(bwght) ~ packs + log(faminc), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

> hoiquy6 <- lm(log(bwghtlbs) ~ packs + log(fincdol), data = bwght)

PHÂN TÍCH HỒI QUY BỘI:

ŷ  ˆ0  ˆ1 x1  ˆ2 x2

ŷ *  ˆ0*  ˆ1* x1*  ˆ2* x2*

PHÂN TÍCH HỒI QUY BỘI:

Các mục còn lại tự nghiên cứu tiếp.

* Biến có lấy log

Tự rút ra nhận xét.

PHÂN TÍCH HỒI QUY BỘI:

y: chi tiêu của gia đình (triệu đ)

y*: chi tiêu của gia đình (trăm ngàn đ)

PHÂN TÍCH HỒI QUY BỘI:

Phân tích hồi quy bội:

PHÂN TÍCH HỒI QUY BỘI:

PHÂN TÍCH HỒI QUY BỘI:

%y  (100. 2 ) x2 2.43

giả sử β2^ >0

Cố định x1 , khi x2 tăng 1 đơn vị thì y tăng 100*β2^ (%)

Suy ra: 6.8

Cố định x1 , khi x2 tăng 1 đơn vị thì y tăng 100*[exp(β2^)-1] (%)

Phân tích hồi quy bội:

Số năm kinh nghiệm tăng lên 1 năm (từ 0

Phân tích hồi quy bội:

Liệu điều này có nghĩa là số năm kinh nghiệm

Không nhất thiết là như vậy. Điều đó phụ thuộc

Trong ví dụ trên, có khoảng 28% các quan sát

Phân tích hồi quy bội: Một số

Ví dụ 6.2: Ảnh hưởng của ô nhiễm tới giá nhà đất

Điều này có nghĩa rằng, ở một số ít các phòng,

Phân tích hồi quy bội:

Điểm cực tiểu:

Diện tích này có thể bỏ qua

Gia tăng số phòng từ 5 lên 6 thì giá tăng:

Phân tích hồi quy bội:

Đa thức bậc cao hơn

cost = (β1 + 2β2 quantity + 3β3 quantity2).quantity

Phân tích hồi quy bội:

price   0  1sqrft   2bdrms Số hạng tương tác

Phân tích hồi quy bội:

Lợi ích của việc xác định lại các tham số

Phân tích hồi quy bội:

là 1 ước lượng của

Phân tích hồi quy bội:

Một ước lượng tốt hơn có xét đến bậc tự do sẽ là

PHÂN TÍCH HỒI QUY BỘI: