Download miễn phí Bài giảng Phân tích mô hình hồi qui đa biến
Giả định của mô hình hồi qui đa biến
(1) Giả định 1: Tuyến tính các tham số hồi qui (linear in parameters).
(2) Giả định 2: Các giá trị mẫu của xjđược ước lượng đúng, không có sai số
(random sampling): Giá trị các biến giải thích là các số đã được xác định.
(3) Giả định 3: Kỳ vọng hay trung bình số
học của các sai số là bằng 0 (zero conditional mean).
E(u/xi) = 0
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
1Phân tích mô hìnhhồi qui đa biến
Khái niệm về phân tích hồi quy
Mô hình hồi qui hai biến
Phương pháp bình phương nhỏ nhất
Các giả định của mô hình hồi qui đa
biến
Độ chính xác và sai số chuẩn của ước
lượng
Kiểm định giả thuyết mô hình
Ví dụ mô hình hồi qui đa biến
2Khái niệm về phân tích hồi quy
Phân tích hồi quy đề cập đến việc
nghiên cứu sự phụ thuộc của một biến
số, biến phụ thuộc, vào một hay nhiều
biến số khác, biến độc lập, với ý định
ước lượng và/hay đoán giá trị
trung bình (tổng thể) của biến phụ
thuộc dựa trên những giá trị đã biết
hay cố định của biến độc lập.
3Ví dụ 1
Chúng ta quan tâm đến việc dự báo chiều
cao trung bình của những người con khi
biết chiều cao của người cha.
Dùng biểu đồ phân tán để biểu diễn
phân phối chiều cao của những người con
trong một tổng thể tương ứng với chiều
cao của những người cha được cho trước
hay cố định
4Chiều
cao
của
người
con
(tính
bằng
inch)
Chiều cao của người cha
(tính bằng inch)
Hình 1.1 Phân phối giả thiết của chiều cao của những người con
trai tương ứng với chiều cao của người cha được cho trước
Giá trị trung bình
5Ví dụ khác
Một nhà kinh tế có thể quan tâm đến việc
nghiên cứu sự phụ thuộc của chi tiêu cá nhân
vào thu nhập cá nhân sau thuế hay thu nhập
khả dụng thực tế.
Một nhà độc quyền, người có thể ấn định giá
hay sản lượng (nhưng không cả hai) có thể
muốn tìm ra phản ứng của cầu đối với sản
phẩm khi giá thay đổi. Thực nghiệm này có
thể cho phép sự ước lượng hệ số co giãn
theo giá
…
6Mô hình hồi qui hai biến
Hàm hồi qui tổng thể (population
regression function – PRF) có dạng:
E(Y/Xi) = f(Xi)
Nếu PRF có 1 biến độc lập thì được gọi là
hàm hồi qui đơn (hồi qui hai biến), nếu
có từ 2 biến độc lập trở lên được gọi là
hàm hồi qui bội
Hàm hồi qui tổng thể cho biết giá trị
trung bình của biến Y sẽ thay đổi như
thế nào khi biến X nhận các giá trị khác
nhau.
7Một ví dụ giả thiết
Giả sử có một tổng thể gồm 60 hộ gia đình,
có thu nhập (X) và chi tiêu (Y) hàng tuần
như sau
8Một ví dụ giả thiết
Mặc dù có sự biến động lớn của Y ứng với
mỗi giá trị của X, nhưng, một cách tổng
quát,
X thì Y
Giá trị kỳ vọng của Y ứng với một giá trị nào
đó của X đgl Giá trị kỳ vọng có điều kiện,
ký hiệu: E(Y|X)
Ví dụ: E(Y|X=80) = 65; E(Y|X=260) = 173
Giá trị kỳ vọng không có điều kiện:
E(Y) = 7273/60 = 121,20
9Phân phối có điều kiện của chi tiêu ứng với
các mức thu nhập khác nhau
10
Hàm hồi quy tổng thể
Đường nối các điểm tròn đen trong hình là
đường hồi quy tổng thể, biểu diễn sự hồi
quy của Y vào X.
Về mặt hình học, một đường hồi quy tổng
thể là quỹ tích các giá trị trung bình có điều
kiện của biến phụ thuộc ứng với mỗi giá trị cố
định của biến giải thích.
Ứng với mỗi giá trị của X, có một tổng thể
các giá trị của Y, dao động xung quanh giá trị
kỳ vọng có điều kiện của Y.
11
Đường hồi quy tổng thể
12
Mô hình hồi quy tuyến tính
Vậy kỳ vọng có điều kiện E(Y|Xi) là
một hàm số của Xi:
E(Y|Xi) = f(Xi)
Dạng hàm f(Xi) phụ thuộc vào các mối
quan hệ kinh tế (thường được xác định
dựa vào các lý thuyết kinh tế).
Ở đây, ta thường sử dụng hàm số
tuyến tính:
13
Mô hình hồi qui hai biến
PRF tuyến tính:
E(Y/Xi) = β1+ β2Xi
trong đó β1, β2 là các tham số chưa biết
nhưng cố định – các tham số hồi qui.
β1 là hệ số tự do, cho biết giá trị trung bình
của biến phụ thuộc Y sẽ thay đổi như thế
nào khi biến X nhận giá trị 0.
β2 là hệ số góc, cho biết giá trị trung bình
của biến phụ thuộc Y sẽ thay đổi (tăng or
giảm) bao nhiêu đơn vị khi giá trị của biến
độc lập X tăng 1 đơn vị với điều kiện các
yếu tố khác không thay đổi.
14
Mô hình hồi qui hai biến
Thuật ngữ “tuyến tính” ở đây được hiểu
theo hai nghĩa: tuyến tính đối với tham số
và tuyến tính đối với biến.
- E(Y/Xi) = β1+ β2Xi2 là tuyến tính tham
số
- E(Y/Xi) = β1+ β22Xi là tuyến tính biến
số.
Hàm hồi qui tuyến tính luôn được hiểu là
tuyến tính đối với tham số, nó có thể
không tuyến tính đối với biến.
15
Các hàm số tuyến tính đối với tham
số
16
Mô hình hồi qui hai biến
Ứng với mỗi giá trị của X, giá trị Y của một số
quan sát có độ lệch so với giá trị kỳ vọng.
Giá trị quan sát thứ i của biến phụ thuộc Y được
ký hiệu là Yi.
- Ký hiệu Ui là chênh lệch giữa Yi và E(Y/Xi)
Ui = Yi - E(Y/Xi)
hay Yi = E(Y/Xi) + Ui (dạng ngẫu nhiên PRF)
Ui đgl đại lượng ngẫu nhiên hay sai số ngẫu
nhiên
Lý do cho sự tồn tại của Ui
Yếu tố thay mặt cho các biến không đưa vào
mô hình (biến không rõ, không có số liệu,
ảnh hưởng quá nhỏ …)
17
Mô hình hồi qui hai biến
Trong thực tế, ta thường phải ước lượng các
hệ số hồi quy của tổng thể từ hệ số hồi quy của
mẫu.
Hàm hồi qui mẫu (sample regression function
– SRF): sử dụng khi chúng ta không thể lấy tất
cả thông tin từ tổng thể mà chỉ thu thập được
từ các mẫu riêng lẻ từ tổng thể.
Nếu hàm PRF có dạng tuyến tính (E(Y/Xi) =
β1+ β2Xi), ta có SRF: ii XY
21
iY
1
2
trong đó là ước lượng điểm của
E(Y/Xi)
là ước lượng điểm của
β1;
là ước lượng điểm của
18
Hàm hồi qui mẫu
Dạng ngẫu nhiên của SRF:
ei là ước lượng điểm của Ui và gọi là phần
dư hay sai số ngẫu nhiên
iii eXY
21
19
Hàm hồi qui mẫu SRF
0
100
200
300
400
500
600
0 100 200 300 400 500 600 700 800 900
Ti
êu
d
ùn
g,
Y
(X
D
)
(PRF)
(SRF)
Xi
Yi
E(Y/Xi)
Yi
ei
i
1
1
2
2
20
Hàm hồi qui mẫu
Rõ ràng, các ước lượng từ hàm hồi quy
mẫu có thể ước lượng cao hơn
(overestimate) hay ước lượng thấp hơn
(underestimate) giá trị thực của tổng
thể.
Vấn đề đặt ra là SRF được xây dựng
như thế nào để càng gần i thực càng
tốt, mặc dù ta không bao giờ biết i
thực.
21
Phương pháp bình phương nhỏ nhất
(OLS)
iiiii
iiiii
XYYˆYe
eYˆeXY
21
21
1ˆ
Ta có hàm SRF:
•Ta muốn tìm và sao cho gần
bằng với Y nhất, có nghĩa là ei nhỏ nhất.
Tuy nhiên, ei thường rất nhỏ và thậm chí
bằng 0 vì chúng triệt tiêu lẫn nhau.
•Để tránh tình trạng này, ta dùng phương
pháp “Bình phương nhỏ nhất”
2ˆ Yˆ
22
Phương pháp OLS
2212 iii XˆˆYe
1ˆ
• Bây giờ, ta muốn tìm và sao cho ei2
nhỏ nhất.
• Lưu ý rằng biểu thức trên có thể được xem
như là một hàm số theo và và chúng
ta cần tìm các sao biểu thức đạt cực tiểu2
ˆ
1ˆ 2ˆ
)ˆ,ˆ(fei 21
2
• Vậy để tìm giá trị cực tiểu của biểu thức trên, ta cần
tính đạo hàm của hàm số trên theo các và cho các
đạo hàm =0.
23
Phương pháp OLS
Giải hệ ta được:
Ta được hệ phương trình chuẩn:
24
Phương pháp OLS
1ˆ và 2ˆ đgl các ước lượng bình
phương nhỏ nhất của 1 và 2
Các thuộc tính...