MÔ HÌNH HỒI QUY NHIỀU BIẾN

I II III

MÔ HÌNH HỒI PHƯƠNG PHÁP KHOẢNG TIN CẬY

QUY NHIỀU BÌNH PHƯƠNG VÀ KIỂM ĐỊNH
BIẾN NHỎ NHẤT GIẢ THUYẾT

IV V VI

PHÂN TÍCH PHƯƠNG MỘT SỐ MÔ HÌNH

DỰ BÁO
SAI VÀ KIỂM ĐỊNH KINH TẾ THÔNG
GIÁ TRỊ
GIẢ THUYẾT ĐỒNG DỤNG KHÁC
TRUNG
THỜI BÌNH
 I. MÔ HÌNH HỒI QUY NHIỀU BIẾN
I.1 Mô hình hồi quy tổng thể

Yi = β 1 + β 2 X 2i + β 3 X 3i + ... + β k X ki + U i
Trong đó:
Yi : giá trị của biến phụ thuộc Y tại quan sát thứ i (i = 1..n);
Xji : giá trị của biến giải thích Xj tại quan sát thứ i (i = 1..n);
(j = 2..k); X2 ,…, Xk : các biến giải thích
β1 : hệ số chặn (hệ số tự do);
βj: hệ số góc (hệ số hồi quy riêng) của biến giải thích Xj
Ui : sai số ngẫu nhiên
 I.2 Mô hình hồi quy mẫu

Yˆi = βˆ 1 + βˆ 2 X 2i + βˆ 3 X 3i + ... + βˆ k X ki

Được xây dựng trên mẫu ngẫu nhiên gồm n quan sát:

Trong đó:
Yˆi : ước lượng của Yi hoặc E(Y/X2i ,X3i …,Xki) (i =1..n)
: ước lượng của các hệ số βj (j=1..k)
 I.3 Dạng ma trận của mô hình hồi quy nhiều biến

Ta kí
hiệu
các
ma
trận:

Hàm hồi quy tổng thể có dạng: Y = Xβ + U

Hàm hồi quy mẫu có dạng:
 I.4 Các giả thiết của mô hình hồi quy nhiều biến

Giả thiết 1. Các biến giải thích Xj (j=2..k) là phi ngẫu nhiên,
giá trị của nó là xác định, đã biết.
Giả thiết 2. Trung bình ảnh hưởng các yếu tố ngẫu nhiên đến
biến phụ thuộc bằng 0:
Giả thiết 3. Các yếu tố ngẫu nhiên có phương sai bằng nhau
(phương sai thuần nhất):
Giả thiết 4. Các Ui không tương quan :
Giả thiết 5. Các Xj (j=2..k) độc lập tuyến tính với nhau ↔
rank(X)=k
Giả thiết 6.
 II. PHƯƠNG PHÁP BÌNH PHƯƠNG NHỎ NHẤT
II.1 Nội dung phương pháp

Xác định các (j = 1..k) hay ma trận sao cho:

Áp dụng: Nghiên cứu mối quan hệ phụ thuộc giữa doanh số
bán ra với chi phí dành cho quảng cáo và giá bán, người ta thu
thập được các số liệu sau đây tại 10 cửa hàng cùng kinh
doanh một loại mặt hàng:
Yi 84 90 92 96 100 108 120 126 130 136
X2i 8 9 10 9 10 12 12 14 14 15
X3i 9 8 8 7 7 8 7 7 6 6
Trong đó:
Yi: doanh số bán ra trong một tháng của cửa hàng thứ i (triệu đồng)
X2i: chi phí dành cho quảng cáo trong một năm của cửa hàng thứ i
(triệu đồng)
X3i: giá bán của cửa hàng thứ i (ngàn đồng/1 đv sp)
Ước lượng các hệ số hồi quy ΣYi ΣYi X2i ΣYi X3i ΣX2i
1082 12626 7766 113
…………
ΣX3i ΣX3iX2i Σ X2i2 Σ X3i2
…………
………… 73 809 1331 541

…………………………………………..
…………………………………………..
…………………………………………..

…………
= …………
…………

= …………………………………..
Lưu ý: Tất cả các phép tính làm tròn 3 chữ số phần thập phân
 Ý nghĩa của các hệ số hồi quy
• β1: ảnh hưởng của các nguyên nhân khác không được
kể đến trong mô hình tới kết quả Y. Cho biết giá trị kỳ
vọng của Y khi các biến Xj đồng thời bằng 0. Chỉ nên
diễn giải ý nghĩa khi tồn tại các quan sát mà các biến Xj
lân cận bằng 0.
• βj: ảnh hưởng của nguyên nhân Xj tới kết quả Y khi
các nguyên nhân khác không đổi. Khi Xj tăng 1 đơn vị
thì Y thay đổi trung bình βj đơn vị, với điều kiện các
yếu tố khác không đổi.
- βj > 0: Xj và Y có mối liên hệ thuận (cùng chiều)
- βj < 0: Xj và Y có mối liên hệ nghịch (ngược chiều)
Cho hàm hồi quy mẫu:
Với: Yi: doanh số bán ra (triệu đồng); X2i: chi phí dành cho quảng
cáo (triệu đồng); X3i: giá bán (ngàn đồng/1 đv sp)
Các con số 71,935; 6,078 và -4,44 cho biết điều gì?
………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………
 II.2 Tính chất của ước lượng OLS

i) Các (j = 1..k) xác định duy nhất (với 1 mẫu thử cụ thể).
Chúng là các ước lượng điểm, các đại lượng ngẫu nhiên.

ii) Hàm hồi quy mẫu đi qua trung bình mẫu:

iii) Giá trị trung bình của các ( được xác định thông qua
hàm hồi quy mẫu) bằng trung bình các quan sát:

iv) Tổng các phần dư bằng 0:

 II.2 Tính chất của ước lượng OLS

v) Các phần dư không tương quan với :

vi) Các phần dư không tương quan với (j = 2..k):

vii) Với các giả thiết của mô hình hồi quy tuyến tính cổ điển
thì các ước lượng bình phương nhỏ nhất (j = 1..k) là các
ước lượng hiệu quả của βj (j = 1..k)

viii) (j = 1..k)
 II.3 Ma trận hiệp phương sai của các hệ số hồi quy

Ma trận hiệp phương sai của hệ số hồi quy mẫu, kí hiệu

là ma trận được xác định như sau:

Ma trận hiệp phương sai của các hệ số hồi quy mẫu là ma

trận vuông cấp k, đối xứng qua đường chéo chính và phần tử
thứ j trên đường chéo chính là phương sai của
II.3 Ma trận hiệp phương sai của các hệ số hồi quy

Có thể chứng minh được rằng:

với
Khi σ2 chưa biết, dùng ước lượng không chệch của nó:

với

Khai triển công thức này ta được:

Chú ý: phương sai, độ lệch chuẩn chúng ta có lúc này chỉ

là ước lượng. Trường hợp này là phổ biến.
 Tổng
Áp dụng: Tìm ma trận hiệp phương sai
Yi2 120172
Yi 1082 Cho:
Yi X2i 12626
Yi X3i 7766

= ………………………………………………………………………

= ……………………

………………………………………………….............
= ………………………………………………….............
………………………………………………….............
……… ………
……… ………
……… ………
III. KHOẢNG TIN CẬY VÀ KIỂM ĐỊNH GIẢ THUYẾT
III.1 Khoảng tin cậy đối xứng của βj (j =1 ..k)

ˆ j −  j Phân phối Student

Cơ sở: T = ~ T (n − k ) j = 1..k ..
j
se( ˆ j ) (n-k) bậc tự do

Với hệ số tin cậy 1-α (α <<, <10%), ta xác định được

t  2 (n − k ) (tra bảng phân phối Student) thỏa mãn:
 ˆ j −  j 
P  t 2 (n − k )  = 1 − 
 se( ˆ j ) 
 
Khoảng tin cậy (1-α) của βj (j = 1..2) cho bởi:
(ˆ j − t 2 (n − k ) * se( ˆ j ); ˆ j + t 2 (n − k ) * se( ˆ j ) )
 BẢNG PHÂN PHỐI STUDENT t  (k )
Bậc Bậc
α α
tự tự
do 0,1 0,05 0,025 0,01 0,005 do 0,1 0,05 0,025 0,01 0,005
1 3,078 6,314 12,706 31,821 63,657 16 1,337 1,746 2,120 2,583 2,921
2 1,886 2,920 4,303 6,965 9,925 17 1,333 1,740 2,110 2,567 2,898
3 1,638 2,353 3,182 4,541 5,841 18 1,330 1,734 2,101 2,552 2,878
4 1,533 2,132 2,776 3,747 4,604 19 1,328 1,729 2,093 2,539 2,861
5 1,476 2,015 2,571 3,365 4,032 20 1,325 1,725 2,086 2,528 2,845
6 1,440 1,943 2,447 3,143 3,707 21 1,323 1,721 2,080 2,518 2,831
7 1,415 1,895 2,365 2,998 3,499 22 1,321 1,717 2,074 2,508 2,819
8 1,397 1,860 2,306 2,896 3,355 23 1,319 1,714 2,069 2,500 2,807
9 1,383 1,833 2,262 2,821 3,250 24 1,318 1,711 2,064 2,492 2,797
10 1,372 1,812 2,228 2,764 3,169 25 1,316 1,708 2,060 2,485 2,787
11 1,363 1,796 2,201 2,718 3,106 26 1,315 1,706 2,056 2,479 2,779
12 1,356 1,782 2,179 2,681 3,055 27 1,314 1,703 2,052 2,473 2,771
13 1,350 1,771 2,160 2,650 3,012 28 1,313 1,701 2,048 2,467 2,763
14 1,345 1,761 2,145 2,624 2,977 29 1,311 1,699 2,045 2,462 2,756
15 1,341 1,753 2,131 2,602 2,947 30 1,310 1,697 2,042 2,457 2,750
 Áp dụng: Tìm khoảng tin cậy đối xứng 95%

Cho: n = 10, k = 3,

=………………….…
Khoảng tin cậy đối xứng 95% của các βj là:

β1: ………………………………………………………………………
β2: ………………………………………………………………………
β3: ………………………………………………………………………
III.2 Khoảng tin cậy lệch trái, lệch phải của βj

Với hệ số tin cậy 1-α (α <<, <10%), ta xác định được t  (n − k )

(tra bảng phân phối Student) thỏa mãn:
 ˆ j −  j   ˆ j −  j 
P  
 t  (n − k ) = 1 −   P   − t  (n − k )  = 1 − 
 se( ˆ )   se( ˆ ) 
 j   j 

Khoảng tin cậy lệch trái (1-α)

của βj (j = 1..k) cho bởi: (− ; ˆ j + t  (n − k ) * se( ˆ j ) )
Khoảng tin cậy lệch phải (1-α)
của βj (j = 1..k) cho bởi: (ˆ j − t  ( n − k ) * se ( ˆ );+
 j )
Ý nghĩa: cho biết các giá trị lớn nhất, nhỏ nhất có thể có của βj
 Áp dụng: Tìm khoảng tin cậy lệch trái, lệch phải
Cho: n = 10, k = 3, ,

t  (n − k ) = ………………….…
(
Khoảng tin cậy lệch trái 95% của β3: − ; ˆ j + t  (n − k ) * se( ˆ j ) )
Thay số: ……………………………………………………….
Kết quả: ………………………………………………………..
(
Khoảng tin cậy lệch phải 95% của β3: ˆ j − t  (n − k ) * se( ˆ j );+ )
Thay số: ……………………………………………………….
Kết quả: ………………………………………………………..
→ Biến động nhiều nhất của β3 là: ………………….…
Biến động ít nhất của β3 là: ………………….……..
 III.3 Kiểm định giả thuyết của βj (j =1..k)

• Giả sử với mức ý nghĩa α cho  H 0 :  j =  *j

trước ta cần kiểm định giả thuyết: 
 H1 :  j   j
*

( H1 :  j   *j , H1 :  j   *j )
ˆ j −  *j
• Tiêu chuẩn kiểm định: T =
se( ˆ j )
Nếu H0 đúng thì T~T(n-k)
• Bảng kết quả: ( được cho trong bảng phân phối Student)
 Áp dụng: Kiểm định giả thuyết
Cho hàm hồi quy mẫu:
Với: Yi: doanh số bán ra (triệu đồng); X2i: chi phí dành cho quảng
cáo (triệu đồng); X3i: giá bán (ngàn đồng/1 đv sp); n = 10
Chi phí quảng cáo có ảnh hưởng tới doanh số không, với α= 5%?
…………………………………………………………
…………………………………………………………

Tiêu chuẩn kiểm định: = ……………………………………….

Với α=5%, kiểm định 2 phía, 𝑡𝛼 (𝑛 − 𝑘) = ……………………………

2
Luận cứ và kết luận: ……………………………………………
.........................................................................................................
 Áp dụng: Kiểm định giả thuyết

Có ý kiến cho rằng, tăng CPQC thêm 1 triệu đồng/năm sẽ làm

doanh thu tăng thêm 5 triệu đồng/tháng. Điều này có đúng không,
với mức ý nghĩa 5%?
5 …………………………………………………………

5 …………………………………………………………
ˆ2 −  2*
Tiêu chuẩn kiểm định: T = = ………………………………….
ˆ
se(  2 )
Với α=5%, kiểm định 2 phía, 𝑡𝛼 (𝑛 − 𝑘) = ……………………………
2
Luận cứ và kết luận: ……………………………………………
.........................................................................................................
 Áp dụng: Kiểm định giả thuyết

Có ý kiến cho rằng, tăng chi phí quảng cáo thêm 1 triệu
đồng/năm sẽ làm doanh thu tăng thêm tối thiểu 10 triệu
đồng/tháng. Điều này đúng không, với mức ý nghĩa 5%?
≥10 …………………………………………………………

<10 …………………………………………………………
ˆ2 −  2* ………………………………….
Tiêu chuẩn kiểm định: T = ˆ
=
se(  2 )
Với α=5%, kiểm định phía trái, t  (n − k ) = t…………………………
0 , 05 (10 − 3) =

Luận cứ và kết luận: …………………………………………

....................................................................................................
IV. PHÂN TÍCH PHƯƠNG SAI VÀ ĐỘ PHÙ HỢP CỦA
HÀM HỒI QUY MẪU
Gọi:

Mối liên hệ:

ESS RSS RSS
TSS = ESS + RSS  1 = + =R +
2

TSS TSS TSS

Tỉ lệ % toàn bộ sai lệch của Y Tỉ lệ % toàn bộ sai lệch

so với gây ra bởi mô hình của Y so với gây ra bởi
(hoặc biến độc lập), biểu thị độ sai số ngẫu nhiên và các
phù hợp của hàm hồi quy mẫu yếu tố khác
 IV.1 Hệ số xác định bội của hàm hồi quy

• Định nghĩa 1: Hệ số xác định bội R2 được định

nghĩa như sau: Cho biết hàm hồi quy
ESS RSS giải thích được bao
R =
2
= 1−  [0;1] nhiêu % sự biến động
TSS TSS
của Y
• Trong thực hành, người ta dùng công thức:
➢ Một số tính chất của hệ số xác định bội R2:
1. 0 ≤ R2 ≤ 1
2. R2 là hàm không giảm của số biến giải thích có trong
mô hình. Nếu tăng số biến giải thích trong mô hình thì
R2 tăng.
→ Không thể dùng R2 làm tiêu chuẩn để xét việc đưa
thêm hay không đưa thêm biến độc lập mới vào mô
hình mà phải dùng hệ số xác định bội đã điều chỉnh.
IV.2 Hệ số xác định bội đã điều chỉnh

Định nghĩa 2: Hệ số xác định bội đã điều chỉnh, ký hiệu

được định nghĩa như sau:

Ý nghĩa: Là tiêu chí để

(i) Quyết định việc đưa thêm biến mới vào mô hình.
(ii) Đánh giá, so sánh 2 mô hình có cùng biến phụ thuộc.
càng lớn, mô hình càng tốt.
➢ Một số tính chất của

1. Nếu k > 1 thì

2. cũng là hàm không giảm đối với số biến giải
thích có trong mô hình tuy nhiên tốc độ tăng của
chậm hơn so với R2
3. có thể nhận giá trị âm dù R2 luôn dương
4. tăng lên hệ số của biến mới thêm vào
mô hình thực sự khác 0. còn tăng lên thì còn
phải đưa thêm biến mới vào mô hình.
 Cách tìm hệ số xác định bội của hàm hồi quy

• Bước 1: Tìm (xem lại cách xác định ma

trận hiệp phương sai)

• Bước 2: Tính R2

Cách tìm hệ số xác định bội đã điều chỉnh

• Bước 1: Tìm R2

• Bước 2: Tính
 Áp dụng: Tính hệ số xác định bội

Cho: 𝑛 = 10; 𝑌ത = 108,2; ∑e2i = 78,542 ; ∑Yi2 = 120172

= …………………………………

R2 cho biết: …………………………………………………

…………… …………………………………………………

Áp dụng: Tính hệ số xác định bội đã điều chỉnh

(Lấy dữ liệu ở câu trên, k=3)

= …………………………………
 IV.3 Kiểm định sự phù hợp của mô hình

• Kiểm định giả thuyết:

 H 0 :  2 = ... =  k = 0 
 0
H : R 2
=0 Không phù hợp
 

 H 1 : j  2 ,.., k  sao cho  j  0 
 H 1 : R 2
0 Phù hợp

R2 n − k
• Tiêu chuẩn kiểm định: F = .
1 − R k −1
2

Nếu H0 đúng thì F~F(k-1,n-k)

• Với α cho trước, xác định được Fα (k-1,n-k) thỏa:
P( F  F (k - 1, n - k)) = 1 - 
• Điều kiện bác bỏ H0 : F > Fα (k-1,n-k) : hàm hồi quy là
phù hợp.
 Áp dụng: Kiểm định sự phù hợp của mô hình

Cho: 𝑛 = 10; 𝑘 = 3; 𝑅2 = 0,975.

Cặp giả thuyết: 𝐻0 : 𝑅2 = 0 ………………………………………….
൝
𝐻1 : 𝑅2 > 0 ………………………………………….
Tiêu chuẩn kiểm định:
R2 n − k ……………………………………………………………...
F= . =
1 − R2 k −1
Lấy α = 5%, Fα(k-1,n-k) = ……………………………………...

Luận cứ và kết luận: ……………………………………………..

……………………………………………………………………
 IV.4 Kiểm định giả thuyết đồng thời – Wald test

• Ý nghĩa: (i) xem xét việc thêm (bớt) một (một số) biến ở mô
hình gốc, còn gọi là kiểm định mở rộng (thu hẹp) hàm hồi
quy; (ii) dùng để so sánh 2 mô hình có cùng biến phụ thuộc.
• Xét:
• Kiểm định giả thuyết:

• Xét PRF1: Yi = β1 + β2X2i +…+ βk-mX(k-m)i +Ui

• Gọi R2 , R21 lần lượt là hệ số xác định bội của PRF và PRF1.
• Tiêu chuẩn kiểm định: F=
(R − R ) (n − k )
2 2

(1 − R ) m
1
* 2

• Nếu Ho đúng: F~ F(m; n-k)

• Với α cho trước, xác định được Fα (m; n-k) thỏa:
P( F  F (m, n - k)) = 1 - 
• Điều kiện bác bỏ H0 : F > Fα (m; n-k) : tác dùng đồng
thời của m biến bị loại bỏ có gây ảnh hưởng đến biến
phụ thuộc, do đó không thể bỏ đồng thời chúng được.
• Trường hợp các biến cần kiểm định không nằm cuối
PRF, cách làm tương tự.
 Khi nào cần đưa thêm biến mới vào mô hình?
Khi đáp ứng một trong 3 yêu cầu (đa phần tương đương):

(i) Khi đưa thêm biến mới vào, tăng lên (ít sử dụng hơn)

(ii) Hệ số hồi quy của biến mới phải thỏa mãn

-> KĐGT: với thống kê t cho kết quả Ho bị bác bỏ.

(iii) Kiểm định mở rộng hàm hồi quy với biến mới cho kết
quả cần thiết phải mở rộng hàm hồi quy

-> KĐGT: với thống kê F cho kết quả Ho bị bác bỏ.

 Áp dụng: Có nên đưa thêm biến mới vào mô hình?
VD1: Cho mô hình hồi quy: 𝑌෠𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖
Kết quả kiểm định cho thấy, 𝛽2 thực sự khác 0 tại mức ý nghĩa
5%. Có nên bỏ biến 𝑋2 ra khỏi mô hình không?
Luận cứ và kết luận: ……………………………………………..

……………………………………………………………………
VD2: Cho các kết quả hồi quy sau:
SRF: 𝑌෠𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 , 𝑅2 = 0,968 (1)
SRF1: 𝑌෠𝑖 = 𝛽1 + 𝛽2 𝑋3𝑖 , 𝑅12 = 0,663 (2)
Có nên bỏ biến X2 ra khỏi mô hình (1) không?
Luận cứ và kết luận: ……………………………………………..

……………………………………………………………………
VD3: Cho các kết quả hồi quy sau:
SRF: 𝑌෠𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 , 𝑅2 = 0.975 (1)
SRF1: 𝑌෠𝑖 = 𝛽1 + 𝛽2 𝑋3𝑖 , 𝑅12 = 0,7 (2)
Có nên bỏ biến X2 ra khỏi mô hình (1) không? Cho n=10
………………………………………….
Cặp giả thuyết:
………………………………………….

Tiêu chuẩn kiểm định:

F=
(R 2 − R12 ) (n − k )
= …………………………………………………...
(1 − R ) m
2
*

Lấy α = 5%, Fα(m,n-k) = ……………………………………...

Luận cứ và kết luận: ……………………………………………..

……………………………………………………………………
 V. DỰ BÁO GIÁ TRỊ TRUNG BÌNH
Xét hàm hồi quy tổng thể và hàm hồi quy mẫu có dạng:

Viết dưới dạng ma trận:

Biết X2 = X20, …, Xk = Xk0 hay kí hiệu:

Ước lượng điểm của Y0 hay của E(Y |X0) cho bởi:
 Yˆ0 − E (Y / X 0 )
Thống kê T = ~ T (n − k ) với
se(Yˆ0 )

Với α cho trước (α <<, <10%), xác định được t 2 (n − k )

dựa vào bảng phân phối Student thỏa mãn:
P (T  t 2 (n − k ) ) = 1 − 

Khoảng tin cậy (1-α) của E(Y/X0) được xác định:

(Yˆ − t
0  2 (n − k ) * se(Yˆ0 ); Yˆ0 + t 2 (n − k ) * se(Yˆ0 ) )
 Áp dụng: Dự báo giá trị trung bình

Cho hàm hồi quy mẫu:

Y: doanh số bán ra (triệu đồng); X2: chi phí dành cho quảng cáo
(triệu đồng); X3: giá bán (ngàn đồng/1 đv sp). Hãy dự báo Y
trung bình với mức ý nghĩa 5% nếu X2 = 10 và X3 = 8.

Biết: n = 10; ;

…………. ………….
𝑋0 = … … … … . 𝛽መ = … … … … .
…………. ………….
 ………………………………………………………………………….

……………..…………………….

Khoảng tin cậy 95% của Y trung bình :

(Yˆ − t
0  2 (n − k ) * se(Yˆ0 ); Yˆ0 + t 2 (n − k ) * se(Yˆ0 ) )
Thay số: …………………………………………………
Kết quả: …………………………………………………..

Kết luận: …………………………………………………….

……………………………………………………………….
VI. MỘT SỐ MÔ HÌNH KINH TẾ THÔNG DỤNG KHÁC

VI.1 Hàm mũ (log-log)

cho biết khi thay đổi 1%, thay đổi (tăng/giảm)

trung bình % với điều kiện các yếu tố khác không đổi.
Áp dụng: Phổ biến trong ước lượng hàm sản xuất, hàm nhu cầu.
VD: Hàm sản xuất Cobb – Douglas
𝛽
𝑄𝑡 = 𝑐𝐾𝑡𝛼 𝐿𝑡 … ⇒ ln 𝑄𝑡 = 𝛽1 + 𝛼 ln 𝐾𝑡 + 𝛽 ln 𝐿𝑡 + 𝑈𝑡
VI.2 Hàm tuyến tính - log

cho biết khi thay đổi 1 đơn vị, thay đổi (tăng/giảm)
trung bình 100 % với điều kiện các yếu tố khác không đổi.
Áp dụng: Phổ biến trong lý thuyêt về vốn nhân lực với biến phụ
thuộc là logarithm của thu nhập (hoặc lương), dân số, ....
VD: Hàm thu nhập (phụ thuộc số năm học tập, với r là tỉ suất lợi
nhuận của việc học thêm 1 năm)

𝑊𝑡 = 𝑊0 1 + 𝑟 𝑡 … ⇒ ln 𝑊𝑡 = ln 𝑊0 + 𝑡 ln 1 + 𝑟 + 𝑈𝑡
= 𝛽1 + 𝛽2 𝑡 + 𝑈𝑡
VI.3 Hàm log - tuyến tính

cho biết khi thay đổi 1 %, thay đổi (tăng/giảm) trung

bình 0.01 đơn vị với điều kiện các yếu tố khác không đổi.
Áp dụng: khi tác động cận biên của 𝑋𝑗 lên Y giảm

VI.4 Hàm hồi quy đa thức

Tác động của X lên Y phụ thuộc vào từng giá trị của X.
Thường dùng để nghiên cứu mối quan hệ giữa chi phí và số
lượng sản phẩm được sản xuất ra.
 VI.5 Hàm hyperbol (hàm nghịch đảo)

- Thường dùng khi phân tích chi phí trung bình để sản
xuất ra 1 sản phẩm với
- Nghiên cứu chi tiêu phụ thuộc thu nhập với
- Nghiên cứu tỷ lệ thay đổi của tiền lương phụ thuộc tỷ
lệ thất nghiệp: đường cong Phillips với