Phân tích mô hình hồi quy kiểm định trên eview

MỤC LỤC

LỜI CÁM ƠN ..................................................................................................................... 1

LỜI MỞ ................................................................................................................................. 2

ĐỀ TÀI TIỂU LUẬN SỐ 39 ........................................................................................ 3

PHẦN MỘT: THỰC HIỆN TRÊN EXCEL ....................................................... 5

1. Thiết lập mô hình hồi quy mẫu .......................................................................................... 5

2. Phân tích kết quả thực nghiệm ........................................................................................... 5

PHẦN HAI: THỰC HIỆN TRÊN EVIEW 6 ...................................................... 8

A - LÝ THUYẾT KIỂM ĐỊNH ........................................................................................... 8

1. Kiểm định Wald ............................................................................................................. 8

2. Kiểm định White (minh họa với trường hợp 3 biến, trường hợp k biến được tổng quát

hóa tương tự) ...................................................................................................................... 8

3. Kiểm định Breusch – Godfrey (BG) .............................................................................. 9

B – THỰC HÀNH TRÊN EVIEW 6 ................................................................................ 10

1. Chuyển dữ liệu từ Excel sang Eview 6 ........................................................................ 10

a. Lập bảng tham số thống kê của các biến độc lập và vẽ đồ thị ................................ 10

b. Lập ma trận Correlation gồm cả biến phụ thuộc và tất cả các biến độc lập .......... 17

c. Ước lượng phương trình hồi quy trên Eview 6 ........................................................ 20

2. Kiểm định Wald – Kiểm tra sự có mặt của biến không cần thiết ................................ 23

a. Kiểm định Wald với biến MAINT ............................................................................ 24

b. Kiểm định Wald với biến GENDER ........................................................................ 25

c. Kiểm định Wald với biến EXPER ............................................................................ 25

d. Kiểm định Wald với biến CRAFTS .......................................................................... 26

e. Kiểm định Wald với biến CLERICAL ...................................................................... 26

3. Kiểm định White và kiểm định BG cho mô hình ........................................................ 28

a. Kiểm định White ...................................................................................................... 28

b. Kiểm định BG .......................................................................................................... 32

4. Dự báo giá trị trung bình và giá trị cá biệt mức lương tháng của công nhân .............. 34

KẾT LUẬN ........................................................................................................................ 44

Blog “Share to be shared” – Blogger Phạm Lộc

Facebook: facebook.com/phamloc120893 | Website: phamloc120893.blogspot.com

BLOG “SHARE TO BE SHARED”

LỜI CÁM ƠN

Em xin gởi lời cảm ơn chân thành tới:

- Ban Giám Hiệu trường Đại học Công Nghiệp TP.HCM đã tạo mọi điều kiện thuận

lợi nhất cho chúng em có một môi trường học tập và nghiên cứu có hiệu quả nhất.

- Th.S Đinh Kiệm đã tận tình giảng dạy, giúp em nắm bắt và vận dụng những kiến

thức từ môn Kinh tế lượng vào thực tế cũng như hướng dẫn chi tiết cách thực hành

phân tích, dự báo trên Excel và Eview 6 để em có thể hoàn thành đề tài tiểu luận một

cách tốt nhất.

Thành phố Hồ Chí Minh, ngày 30 tháng 10 năm 2012

http://www.chuyenmarketing.com/




LỜI MỞ

Kinh tế lượng là một bộ phận của Kinh tế học, được hiểu theo nghĩa rộng là

môn khoa học kinh tế giao thoa giữa thống kê học và toán kinh tế; hiểu theo nghĩa hẹp,

là ứng dụng toán, đặc biệt là các phương pháp thống kế vào kinh tế. Hai mục đích

chính của kinh tế lượng là: kiểm nghiệm lý thuyết kinh tế bằng cách xây dựng các mô

hình kinh tế (mà có khả năng kiểm định được) và chạy mô hình để kiểm tra các mô

hình đó xem chúng đưa ra kết quả chấp nhận hay phủ định lý thuyết kinh tế. Và Eview

là một công cụ “chuyên gia” có ưu điểm chính là có thể cho chúng ta kết quả nhanh

chóng khi tiến hành ước lượng, phân tích hồi quy cho các mô hình kinh tế.

Những năm gần đây, trong bối cảnh nền kinh tế đầy khó khăn, vấn đề lương và

tăng lương cho công nhân đã làm tốn không ít giấy mực của báo chí. Nhiều ý kiến,

quan điểm được đề xuất nhằm cải thiện tình hình nhưng tới nay, vấn đề điều chỉnh

mức lương vẫn còn gặp khá nhiều khó khăn và bất cập. Lương thấp, chế độ chưa thỏa

đáng, sự trì trệ trong việc trả lương của các doanh nghiệp khiến công nhân liên tục

“nhảy việc” để tìm kiếm lương cao nhưng thực tế tình trạng này đang gây ra không ít

khó khăn cho chính bản thân những công nhân này, những doanh nghiệp và cả các cơ

quan quản lý.

Đề tài tiểu luận số 39: Phân tích mô hình và dự báo mức lương hàng tháng của

công nhân với biến phụ thuộc WAGE và các biến giải thích MAINT, EXPER,

GENDER, CRAFTS, CLERICAL là một đề tài rất hay và mang tính thực tế. Sử dụng

phần mềm Eview 6, qua các bước đặt ra các giả thiết liên quan, thiết lập mô hình, ước

lượng tham số của mô hình, từ đó đánh giá sự phù hợp hay không của mô hình để đi

tới quyết định áp dụng nó vào dự báo thực tế…

Mặc dù đã rất cố gắng nhưng chắc chắn không tránh khỏi những sơ suất, cả về

hình thức cũng như nội dung của bài tiểu luận, mong thầy thông cảm và góp ý để em

có thể rút kinh nghiệm làm tốt hơn những bài tiểu luận về sau. Một lần nữa, em xin gởi

lời cảm ơn chân thành tới thầy – ThS. Đinh Kiệm.

Sinh viên thực hiện

Phạm Lộc





ĐỀ TÀI TIỂU LUẬN SỐ 39

Phần I : Trên Excel

Sử dụng dữ liệu Data BT 6 trên Excel, dùng Regression trên Data Analysis để ước

lượng hàm hồi quy mẫu có dạng sau :

WAGE = B1 + B2*MAINT + B3*EXPER +B4*GENDER + B5*CRAFT

+ B6*CLERICAL

WAGE = mức lương tháng của công nhân (USD)

MAINT = 1 cho công nhân bảo trì, = 0 cho công nhân khác

GENDER = 1 cho nam giới , = 0 cho nữ

EXPER = Số năm làm việc cho công ty này

CRAFTS = 1 nếu làm trong nghề thủ công, = 0 nghề khác

CLERICAL = 1 cho công nhân văn phòng, = 0 cho công nhân khác

Phần II : Trên Eviews

a/ Hãy chuyển dữ liệu từ file Excel ở phần 1 sang thành dữ liệu dưới dạng workfile của

Eviews và lưu lại dưới tên : Data TL 39. Sau đó dùng công cụ Eviews để:

- Lập bảng các tham số thống kê của các biến độc lập, vẽ đồ thị các biến độc lập trên

cùng một bảng.

- Lập ma trận Correlation Matrix gồm cả biến phụ thuộc và tất cả các biến độc lập.

- Ước lượng phương trình hồi quy dưới dạng như ở câu phần I

b/ Hãy kiểm định Wald ( biến thừa ) cho 5 biến độc lập nêu trên

c/ Từ mô hinh câu a phần II hãy kiểm định White và BG cho mô hình này

d/ Hãy dự báo giá trị trung bình và giá trị cá biệt mức lương tháng của công nhân theo

mô hình sau:

WAGE = B1 + B2*MAINT + B3*EXPER +B4*GENDER + B5*CRAFT

+ B6*CLERICAL

Cho biết EXPER = 27 năm, MAINT = 1, GENDER = 1, CRAFT = 1, CLERICAL = 0.

Và độ tin cậy 1- = 95% .

Biểu diễn trực quan đồ thị dự báo bằng cách vẽ đồ thị khoảng dự báo trung bình, dự

báo cá biệt, tương ứng với các cận trên và cận dưới theo số quan sát làm biến trên trục

hoành chung cho các đại lượng khác.





BẢNG SỐ LIỆU:

STT WAGE MAINT GENDER EXPER CRAFTS CLERICAL

1 1345 0 0 2 0 1

2 2435 0 1 18 1 0

3 1715 1 1 4 0 0

4 1461 0 1 4 0 1

5 1639 0 1 3 1 0

6 1345 0 0 8 0 1

7 1602 0 0 6 0 1

8 1144 1 0 3 0 0

9 1566 1 1 23 0 0

10 1496 1 1 15 0 0

11 1234 0 0 9 0 1

12 1345 0 0 3 0 1

13 1345 0 0 14 0 1

14 3389 0 1 16 0 0

15 1839 1 1 20 0 0

16 981 1 1 5 0 0

17 1345 0 0 10 0 1

18 1566 0 0 4 0 1

19 1187 0 0 1 0 1

20 1345 0 0 10 0 1

21 1345 0 0 2 0 1

22 2167 1 1 17 0 0

23 1402 0 1 2 0 1

24 2115 0 1 15 1 0

25 2218 0 1 11 1 0

26 3575 0 1 1 0 0

27 1972 0 1 1 1 0

28 1234 0 0 2 0 1

29 1926 1 1 9 0 0

30 2165 0 0 15 0 0

31 2365 0 0 12 0 0

32 1345 0 0 5 0 1

33 1839 0 0 14 0 0

34 2613 0 1 14 1 0

35 2533 0 1 3 0 0

36 1602 0 0 5 0 1

37 1839 0 0 18 1 0

38 2218 0 1 1 0 0

39 1529 0 0 10 0 1

40 1461 0 1 10 1 0

41 3307 0 1 22 1 0

42 3833 0 1 3 0 0

43 1839 1 1 14 0 0

44 1461 0 0 5 0 1

45 1433 0 1 3 1 0

46 2115 0 0 15 0 0

47 1839 1 1 13 0 0

48 1288 1 1 9 0 0

49 1288 0 0 4 1 0





PHẦN MỘT: THỰC HIỆN TRÊN EXCEL

1. Thiết lập mô hình hồi quy mẫu

i 1 2 2i 3 3i 4 4i 5 5i 6 6i iY B B X B X B X B X B X e

Biến phụ thuộc:

WAGE : Mức lương tháng (USD).

Biến giải thích:

X2i = MAINT : Giá trị là 1 nếu là công nhân bảo trì, là 0 nếu là công nhân khác.

X3i = GENDER : Giá trị là 1 nếu là nam giới, là 0 nếu là nữ giới.

X4i = EXPER : Số năm làm việc cho công ty này.

X5i = CRAFTS : Giá trị là 1 nếu làm trong nghề thủ công, là 0 nếu là nghề khác.

X6i = CLERICAL : Giá trị là 1 cho công nhân văn phòng, là 0 nếu là công nhân khác.

2. Phân tích kết quả thực nghiệm

a. Kết quả chạy mô hình từ Excel:

Ta lập được mô hình hồi quy mẫu :

i

2i 3i 4i

5i 6i i

Y = 2093,84399 -1353,91998X + 629,49664X + 25,49901X

- 855,64872X - 917,28246X e

Trong đó:

- B1= 2093,84399: Khi các biến giải thích MAINT, GENDER, EXPER, CRAFTS,

CLERICAL đồng thời bằng 0 thì trung bình mức lương tháng (WAGE) của công nhân

là 2093,84399 USD/tháng.

Regression Statistics

Multiple R 0.826969671

R Square 0.683878837

Adjusted R Square 0.647120562

Standard Error 385.0953216

Observations 49

ANOVA

df SS MS F Significance F

Regression 5 13795280.47 2759056.094 18.60475885 0.0000000008

Residual 43 6376831.488 148298.4067

Total 48 20172111.96

Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%

Intercept 2093.843991 184.5291762 11.34695355 0.000000000 1721.70544 2465.982541 1721.70544 2465.982541

MAINT -1353.919978 185.479599 -7.299562781 0.000000005 -1727.975238 -979.8647172 -1727.975238 -979.8647172

GENDER 629.4966388 152.7576896 4.120883476 0.000168685 321.4313979 937.5618796 321.4313979 937.5618796

EXPER 25.49901114 9.944328907 2.564176163 0.013918591 5.44436061 45.55366168 5.44436061 45.55366168

CRAFTS -855.6487246 179.4415316 -4.768398468 0.000021532 -1217.527062 -493.7703875 -1217.527062 -493.7703875

CLERICAL -917.282458 176.3356609 -5.201911248 0.000005212 -1272.89721 -561.6677061 -1272.89721 -561.6677061

SUMMARY OUTPUT





- B2= -1353,91998: Trong điều kiện các yếu tố khác không đổi thì lương tháng của

công nhân bảo trì thấp hơn công nhân khác là 1353,91998 USD.

- B3= 629,49664: Trong điều kiện các yếu tố khác không đổi thì lương tháng của công

nhân nam cao hơn công nhân nữ là 629,49664 USD.

- B4= 25,49901: Trong điều kiện các yếu tố khác không đổi, khi số năm làm việc của

công nhân tăng lên 1 năm sẽ làm lương tháng công nhân đó tăng 25,49901 USD.

- B5= -855,64872: Trong điều kiện các yếu tố khác không đổi thì lương tháng của công

nhân làm trong nghề thủ công thấp hơn công nhân làm trong nghề khác 855,64872

USD.

- B6= -917,28246: Trong điều kiện các yếu tố khác không đổi thì lương tháng của công

nhân văn phòng thấp hơn công nhân khác 917,28246 USD.

b. Giải thích một số ký hiệu:

- R Square: Hệ số xác định. Trong 100% sự biến động của biến phụ thuộc Y thì có

bao nhiêu % sự biến động là do các biến độc lập X ảnh hưởng, còn lại là do sai số

- Standard Error: Sai số chuẩn của Y do hồi quy.

- Observation: Số quan sát hay dung lượng mẫu.

- F: Trị số F-Fisher dùng làm căn cứ để kiểm định độ tin cậy về mặt khoa học (thống

kê) của toàn bộ phương trình hồi quy.

- Residual (cột MS): Trị số sigma ước lượng bình phương.

- t Stat: Tiêu chuẩn t dùng làm căn cứ để kiểm định độ tin cậy về mặt khoa học của

mối liên hệ giữa biến độc lập với biến phụ thuộc.

- P-value: Xác suất để tkd > t Stat, là các trị xác suất tiêu chuẩn tới hạn.

- Coefficients: Hệ số chặn và các hệ số hồi quy riêng.

- Lower 95%, Upper 95%, Lower 98%, Upper 98%: Cận dưới và cận trên của

khoảng ước lượng cho các tham số với độ tin cậy 95% và độ tin cậy 98%.

c. Nhận xét:

- R Square = R2 = 0,683878837 ≈ 68,39%. Nghĩa là trong 100% sự biến động của

biến phụ thuộc WAGE thì có 68,39 % sự biến động là do các biến độc lập ảnh hưởng,

còn lại là do sai số ngẫu nhiên hoặc các các yếu tố khác ngoài mô hình.

- F = Fkd = 18,60475885 > Fα(k-1,n-k) = F0.05(6-1,49-6) = 2,43223647

Ta đi tìm Fα(k-1,n-k) bằng hàm FINV với cú pháp :

=FINV(probability, deg_freedom1, deg_freedom2)





Trong đó: probability là mức ý nghĩa, deg_freedom1 và deg_freedom2 là các số bậc tự

do thứ nhất (k-1) và thứ hai (n-k) (với k là số biến độc lập và n là số quan sát của mô

hình)

Thực hiện hàm =FINV(0.05,5,43) cho F0.05(6-1,49-6) trong Excel ta được kết quả

F0.05(6-1,49-6) = 2.43223647

- Các giá trị P-value của các biến độc lập đều nhỏ hơn mức ý nghĩa α=0,05. Vậy các

biến đưa vào mô hình là hợp lý.

Kết luận: Mô hình phù hợp ở mức độ khá.





PHẦN HAI: THỰC HIỆN TRÊN EVIEW 6

A - LÝ THUYẾT KIỂM ĐỊNH

1. Kiểm định Wald

Xét 2 mô hình:

1 2 2 m m m 1 m 1 k k(U) : Y X ... X X ... X U

(mô hình không giới hạn)

1 2 2 m m(R) : Y X ... X V (mô hình giới hạn)

Lập giả thiết:

0 m 1 m 2 kH : ... 0

Nghĩa là mô hình không tồn tại, hay các biến độc lập hoàn toàn không giải thích cho

biến phụ thuộc

Giả thiết đối:

1H : Có ít nhất một βj ≠ 0

Sử dụng trị thống kê kiểm định đối với giả thiết này là:

R Uc

U

[RSS RSS ] / (K m)F

RSS / (n K)

Với:

RSSR (hay ESS): tổng bình phương phần dư ei của mô hình giới hạn.

RSSU: tổng bình phương phần dư ei của mô hình không giới hạn.

Nguyên tắc ra quyết định:

Ta bác bỏ giả thiết H0 nếu Fc > F(K-m, n-K,α) là trị số Ftra bảng, điều đó có nghĩa mô hình

trên là tồn tại.

Hoặc ta có thể dùng tiêu chuẩn so sánh giá trị của thống kê p-value = P (F>F0) < α

(nhỏ hơn mức ý nghĩa cho trước) ta đi đến kết luận bác bỏ giả thiết H0.

2. Kiểm định White (minh họa với trường hợp 3 biến, trường hợp k biến được

tổng quát hóa tương tự)

Xét mô hình:

i 1 2 2i 3 3i iY X X U

Bước 1: Trước tiên ta ước lượng phương trình trên để tính các phần dư ei

Bước 2: Ta thực hiện hồi quy mô hình phụ dưới dạng sau:

2 2 2

i 1 2 2i 3 3i 4 2i 5 3i 6 2i 3i ie X X (X ) (X ) X X V





Bước 3: Tính trị thống kê kiểm định nR2, với n là số quan sát của mẫu, R2 là hệ số xác

định bội của mô hình phụ

Bước 4: Từ giả thiết H0: 2 3 4 5 60 (không có hiện tượng phương sai

thay đổi) xem xét nếu nR2 > 2 (df ) ta bác bỏ giả thiết H0, nghĩa là có hiện tượng

phương sai thay đổi (df là bậc tự do, tức là thông số hồi quy m của mô hình phụ không

tính hằng số C ở bước 2)

3. Kiểm định Breusch – Godfrey (BG)

Xét mô hình hồi quy gốc có dạng: Yi = a + bXi + Ui

Giả sử trong mô hình xảy ra hiện tượng tự tương quan bậc p, ký hiệu AR(p), tức là các

phần dư được biểu diễn dưới dạng sau:

i 1 1 i 1 2 i 2 3 i 3 p i p iU U U U ... U

Với εi thỏa các giả thiết OLS. Ta có giả thiết kiểm định như sau:

0 1 2 3 pH : ... 0 (mô hình Ui là không tồn tại và mô hình hồi quy gốc

không xảy ra hiện tượng tự tương quan)

Bước 1: Ước lượng mô hình hồi quy gốc để tính các phần dư ei

Bước 2: i i 1 i 1 2 i 2 p i p ie X e e ... e V và tính R2(1c)

Bước 3: So sánh nếu (n-p)R2(1c) > 2 (p) thì bác bỏ giả thiết H0, có nghĩa là mô hình

gốc có hiện tượng tự tương quan bậc p.





B – THỰC HÀNH TRÊN EVIEW 6

1. Chuyển dữ liệu từ Excel sang Eview 6

a. Lập bảng tham số thống kê của các biến độc lập và vẽ đồ thị

Lập bảng tham số thống kê:

Chọn các biến giải thích, phải chuột vào vùng chọn, chọn Open > as Group





Xuất hiện bảng:

Vào View > Descriptive Stats > Common Sample





Ta có bảng thống kê như sau:

Giải thích:

Mean: Giá trị trung bình

Median: Trung vị

Maximum: Giá trị lớn nhất

Minimum: Giá trị nhỏ nhất

Std. Dev. (Standard Deviation): Độ lệch chuẩn

Skenewness: Độ bất cân xứng

Kurtosis: Độ nhọn

Jarque - Bera: Giá trị phân phối Jarque-Bera dùng để kiểm định phân phối chuẩn

Probability: Giá trị xác suất tới hạn

Sum: Tổng các giá trị

Sum Sq. Dev. (Sum Square Deviation): Tổng bình phương các sai số tiêu chuẩn

Observations: Số quan sát

Nhận xét:

- Thứ nhất, ta thấy được độ lệch chuẩn của biến EXPER (=6,256153) là khá cao, trong

khi giá trị trung bình là 8,836735, điều đó cho thấy độ phân tán của biến này xung

quanh giá trị trung bình khá cao. Hơn nữa, biến này có giá trị lớn nhất là 23 và giá trị

nhỏ nhất là 1, qua đó có thể kết luận được, biến EXPER trong các quan sát không có





mức độ tương đồng cao mà rải rác ở nhiều giá trị khác nhau. Nghĩa là số năm làm việc

của công nhân trong công ty chênh lệch nhau khá nhiều.

- Thứ hai, giá trị trung bình của biến MAINT là 0,224490 < 0,5 cho thấy số công nhân

bảo trì trong công ty chiếm không tới một nửa số công nhân; giá trị trung bình của

biến GENDER là 0,530612 > 0,5 cho thấy số công nhân nam trong công ty đông hơn

số công nhân nữ; giá trị trung bình của biến CRAFTS là 0,224490 < 0,5 cho thấy số

công nhân làm trong nghề thủ công trong công ty chiếm không tới một nửa số công

nhân; giá trị trung bình của biến CLERICAL là 0,367347 < 0,5 cho thấy số công nhân

văn phòng trong công ty chiếm không tới một nửa số công nhân.

Vẽ đồ thị các biến độc lập:

Thực hiện lại các thao tác ở trên để có được bảng sau :





Vào View > Graph…

Xuất hiện hộp thoại Graph Options, tại đây ta chuyển đổi giữa các Tab để thiết lập các

mục để có được biểu đồ theo ý muốn, sau đó nhấn OK.

Ở đây chọn kiểu đồ thị là Distributation:





Các biến MAINT, GENDER, CLERICAL, CRAFTS là các biến giả nên chỉ có 2 giá

trị là 1 và 0. Tần suất của các giá trị của biến độc lập EXPER và biến phụ thuộc

WAGE chênh lệch nhau khá nhiều.

Thực hiện thống kê mô tả cho biến EXPER: Từ hộp lệnh của Eview 6 ta gõ hist

exper và nhấn Enter trên bàn phím.





Nhận thấy Probability = 0,157548 > α = 0,05 nên ta kết luận, biến exper có phân

phối chuẩn.

Thực hiện thống kê mô tả cho biến WAGE: Từ hộp lệnh của Eview 6 ta gõ hist

wage và nhấn Enter trên bàn phím.

Nhận thấy Probability = 0,157548 > α = 0,05 nên ta kết luận, biến exper có phân

phối chuẩn.





b. Lập ma trận Correlation gồm cả biến phụ thuộc và tất cả các biến độc lập

Mở các biến ở chế độ Group:

Vào View > Covariance Analysis…

Xuất hiện hộp thoại Covariance Analysis > Tại mục Statistics chọn Correlation.





Ta có ma trận Correlation Matrix :

Nhận xét:

Các biến CLERICAL và GENDER giải thích ở mức tương đối cho biến WAGE; các

biến CRAFTS, EXPER, MAINT giải thích không tốt lắm cho biến WAGE.

Mức tương quan giữa biến GENDER với các biến CLERICAL, MAINT là khá cao,

mô hình có thể xảy ra hiện tượng cộng tuyến giữa các biến này.





- Chạy mô hình hồi quy phụ giữa biến GENDER với biến CLERICAL:

Nhận thấy Prob(F-statistic) = 0,000000 < α = 0,05 (mức ý nghĩa α =5%) nên ta kết

luận mô hình hồi quy phụ này tồn tại. Vậy thực sự có hiện tượng cộng tuyến giữa 2

biến này. R-squared = 0,416544 = 41,65% cho thấy 41,65% sự thay đổi của biến này

do biến kia giải thích, sự cộng tuyến giữa 2 biến độc lập này khá cao, không thực sự

tốt cho mô hình.

- Chạy mô hình hồi quy phụ giữa biến GENDER với biến MAINT:





Nhận thấy Prob(F-statistic) = 0,002112 < α = 0,05 (mức ý nghĩa α =5%) nên ta kết

luận mô hình hồi quy phụ này tồn tại. Vậy thực sự có hiện tượng cộng tuyến giữa 2

biến này. R-squared = 0,180368 = 18,04% cho thấy 18,04% sự thay đổi của biến này

do biến kia giải thích, sự cộng tuyến giữa 2 biến độc lập này ở mức chấp nhận được.

c. Ước lượng phương trình hồi quy trên Eview 6

Mở biến phụ thuộc và các biến giải thích ở chế độ as Equation… (Phải chọn biến phụ

thuộc trước rồi mới chọn lần lượt các biến giải thích).





Giao diện kết quả chạy hồi quy:

Ta lập được mô hình hồi quy mẫu :

i

2i 3i 4i

5i 6i i

Y = 2093,844 -1353,920X + 629,4966X + 25,49901X

- 855,6487X - 917,2825X e





Từ hộp lệnh của Eview 6 ta gõ scalar f=@qfdist(0.95,5,43) để tìm Fα(k-1,n-k)

Nhận xét:

- Hệ số xác định R2 = 0,683879 nghĩa là mô hình giải thích tương đối tốt sự thay đổi

của biến phụ thuộc WAGE.

- Giá trị kiểm định F-statistic = 18,60476 > Fα(k-1,n-k) = F0,05(5,43) = 2,432236472

nên mô hình kiểm định là hợp lý.

- Sai số tiêu chuẩn S.E. of regression = 385,0953, giá trị trung bình của biến phụ

thuộc WAGE là Mean dependent var = 1820,204.

- Giá trị p-value của các biến giải thích đều nhỏ hơn 0,05 nên độ phù hợp của các biến

độc lập là rất tốt.

Kết luận: Mô hình phù hợp ở mức độ khá.


mailto:f=@qfdist(0.95,5,43)




2. Kiểm định Wald – Kiểm tra sự có mặt của biến không cần thiết

Tiến hành kiểm định đồng thời, ta vào View > Coefficient Tests > Wald – Coefficient

Restrictions…

Hộp thoại Wald Test xuất hiện, gõ C(1)=C(2)=C(3)=C(4)=C(5)=0 để kiểm định đồng

thời:

Kết quả kiểm định:





Nhận xét:

Từ kết quả trên, ta thấy được giá trị Probability của F-statistic là 0,0000<0,05 (mức ý

nghĩa α=0,05), vậy bác bỏ giả thiết H0, nghĩa là các biến giải thích MAINT, GENDER,

EXPER, CRAFTS, CLERICAL đồng thời ảnh hưởng tới biến phụ thuộc WAGE.

a. Kiểm định Wald với biến MAINT

Gõ vào hộp thoại Wald Test: C(1)=0





Nhận xét:


nghĩa α=0,05), nghĩa là biến giải thích MAINT đưa vào mô hình là hợp lý.

b. Kiểm định Wald với biến GENDER


Nhận xét:


nghĩa α=0,05), nghĩa là biến giải thích GENDER đưa vào mô hình là hợp lý.

c. Kiểm định Wald với biến EXPER






Nhận xét:

Từ kết quả trên, ta t hấy được giá trị Probability của F-statistic là 0,0139<0,05 (mức ý

nghĩa α=0,05), nghĩa là biến giải thích EXPER đưa vào mô hình là hợp lý.

d. Kiểm định Wald với biến CRAFTS


Nhận xét:


nghĩa α=0,05), nghĩa là biến giải thích CRAFTS đưa vào mô hình là hợp lý.

e. Kiểm định Wald với biến CLERICAL






Nhận xét:


nghĩa α=0,05), nghĩa là biến giải thích CLERICAL đưa vào mô hình là hợp lý.

Kết luận chung: Qua việc thực hiện kiểm định Wald cho đồng thời 5 biến rồi

lần lượt cho từng biến, ta nhận thấy cả 5 biến MAINT, GENDER, EXPER,

CRAFTS, CLERICAL đều cần thiết cho mô hình.





3. Kiểm định White và kiểm định BG cho mô hình

a. Kiểm định White

Từ cửa sổ kết quả ước lượng mô hình hồi quy, vào View > Residual Tests >

Heteroskedasticity Tests…





Xuất hiện hộp thoại Heteroskedasticity Tests.

Tại mục Test type chọn White

(Đánh dấu vào Include White cross terms nếu muốn đưa phần tử tích giữa các biến độc

lập vào kiểm định)





Kết quả kiểm định White xuất hiện như sau:





Từ hộp lệnh của Eview 6 gõ scalar kd1=@qchisq(0.95,13) để tìm 2 2

0,05(df ) (13)

Nhận xét:

Từ 2 bảng trên ta thấy được:

Obs*R-squared = nR2 = 23,09802 > 2 2

0,05(df ) (13) 22,3620324948

Ngoài ra, Prob. Chi-Square(13) của Obs*R-squared có giá trị là 0,0405 < 0,05 (mức

ý nghĩa α=0,05), ta bác bỏ giả thiết H0.

Nghĩa là mô hình hồi quy xảy ra hiện tượng phương sai thay đổi.


mailto:kd1=@qchisq(0.95,13)




b. Kiểm định BG

Từ cửa sổ kết quả chạy mô hình hồi quy, vào View > Residual Tests > Serial

Correlation LM Test:

Trong cửa sổ này, ở mục Lags to include (là bậc tương quan hay còn gọi là độ trễ

trong tương quan). Ta chọn giá trị là 1, chọn OK.





Kết quả kiểm định:

Từ bảng trên ta thấy (n-p)R2 = 0,001928 với xác suất Prob. Chi-Square (1) = 0,9650.

Giá trị p-value này lớn hơn mức ý nghĩa α = 0,05, vậy chấp nhận giả thiết H0, nghĩa là

mô hình không có hiện tượng tự tương quan bậc nhất.





4. Dự báo giá trị trung bình và giá trị cá biệt mức lương tháng của công nhân

Mô hình: WAGE = B1 + B2*MAINT + B3*EXPER +B4*GENDER

+ B5*CRAFTS + B6*CLERICAL

Bước 1: Ta ước lượng mô hình hồi quy:

Chú ý: Không được thoát mô hình này trong quá trình thực hiện các bước còn lại.

Bước 2: Tạo thêm biến quan sát thứ (n+1) điền các giá trị của các biến độc lập:

Tại cửa sổ Workfile, vào Proc > Structure/Resize Current Page…





Tại mục Workfile structure type chọn Unstructured/Undated, tại mục Data range ta

tăng giá trị hiện có trong ô lên một đơn vị:

Mở các biến MAINT, EXPER, GENDER, CRAFTS, CLERICAL trong cùng một

Group, chọn Edit+/- và nhập:

X0 = (MAINT = 1, EXPER = 27, GENDER = 1, CRAFTS = 1, CLERICAL = 0)

vào Obs số 50 (Tương ứng tại các ô có giá trị NA). Kết quả:

Bước 3: Tạo ra các biến và các giá trị vô hướng:

Trở lại mô hình hồi quy ở Bước 1, vào Forecast, hộp thoại Forecast xuất hiện. Trong

khung Series name :

+ Tại mục Forecast name ta đặt tên biến dự báo cho biến phụ thuộc (Eview sẽ tự

động đặt tên mặc định là Yf, ví dụ ở đây là wagef, tên này chúng ta có thể thay bằng

một tên khác hợp lệ)

+ Tại mục S.E. (optional) ta khai báo biến sai số 0ˆSE(Y ) là “se_1dubao”

Sau khi nhập xong, chọn OK.





Mở đồng thời 2 biến wagef và se_1dubao sẽ thấy ở quan sát cuối cùng (quan sát số

50), giá trị của wagef chính là giá trị của 0Y và giá trị của se_1dubao chính là giá trị

của SE(Y0).





Ở đây, 0Y 1202,245 và SE(Y0) = 456,2451.

Lập biến se_2dubao thông qua se_1dubao và S.E. of regression (sigma ước lượng).

Tại hộp lệnh Eview 6 gõ scalar sigma=@se để khởi tạo giá trị sigma.





Tại hộp lệnh Eview 6 gõ genr se_2dubao=sqr(se_1dubao^2-sigma^2) để tạo series

se_2dubao.

Lập giá trị kiểm định tinv để tính giá trị tα/2(n-k) với n-k = 49-6 = 43, α/2 = 0,025.

Tại hộp lệnh Eview 6 gõ scalar tinv=@qtdist(0.975,43) để khởi tạo giá trị tinv.





Bước 4: Thiết lập các cận trên, cận dưới cho các khoảng dự báo trung bình và cá

biệt.

a. Tiến hành dự báo:





Từ bảng giá trị các biến trên đây cho ta biết:

Khoảng dự báo giá trị trung bình mức lương tháng của công nhân tương ứng với

MAINT = 1, EXPER = 27 năm, , GENDER = 1, CRAFT = 1, CLERICAL = 0 là:

[ 708,8305 ; 1695,660 ]

Và khoảng dự báo cá biệt tương ứng:

[ 282,1394 ; 2122,351 ]





b. Vẽ đồ thị:

* Dự báo giá trị trung bình mức lương tháng của công nhân:





* Dự báo giá trị cá biệt mức lương tháng của công nhân:





Nhận xét:

Từ đồ thị ta có thể thấy được, giá trị dự báo trung bình và giá trị dự báo cá biệt có

những vị trí chênh lệch nhất định so với giá trị thực. Nhưng nhìn tổng quan, giá trị dự

báo vẫn bám sát theo giá trị thực, do đó đồ thị dự báo trên sẽ tốt hơn nếu áp dụng trong

dài hạn.





KẾT LUẬN

Qua việc ước lượng mô hình hồi quy với biến phụ thuộc WAGE và các biến

giải thích MAINT, EXPER, GENDER, CRAFTS, CLERICAL cộng với việc thực hiện

kiểm định Wald ta thấy được các biến giải thích trên đều cần thiết cho mô hình, có ảnh

hưởng lớn đến biến phụ thuộc.

Thực hiện kiểm định White, mô hình hồi quy xảy ra hiện tượng phương sai thay

đổi, để tránh những hậu quả do hiện tượng này gây ra, chúng ta phải áp dụng các biện

pháp để khắc phục hiện tượng này.

Thực hiện kiểm định BG, ta thấy rằng mô hình không có hiện tượng tự tương

quan bậc nhất, đây là điểm tốt của mô hình.

Mặc dù mô hình còn khuyết điểm đó là còn xảy ra hiện tượng phương sai thay

đổi, nhưng chúng ta có thể khắc phục được và hiện tượng đa cộng tuyến giữa 2 biến

GENDER với CLERICAL ở mức chấp nhận được. Đánh giá chung, mô hình hồi quy

trên là hợp lý. Hơn nữa, các giá trị dự báo trong dài hạn tương đối sát với giá trị thực,

nên chúng ta có thể áp dụng mô hình trên vào thực tế để dự báo mức lương tháng của

công nhân. Đây cũng là một mô hình có thể tham khảo để giúp các cán bộ quản lý thực

hiện việc điều chỉnh mức lương của công nhân hiện nay.


Documents

Phân tích mô hình hồi quy kiểm định trên eview