Tải bản đầy đủ - 0 (trang)
a. Mô hình tác động cố định (Fixed Effects Model)

a. Mô hình tác động cố định (Fixed Effects Model)

Tải bản đầy đủ - 0trang

48

pháp bình phương nhỏ nhất) hơn 1000 biến. Trong trường hợp như vậy, ước

lượng tác động cố định sẽ thích hợp hơn.

Nguyên tắc của ước lượng tác động cố định được hiểu như sau. Để đánh giá

tác động nhân quả của biến độc lập Xn lên biến phụ thuộc Y, ước lượng tác động

cố định sử dụng sự thay đổi trong Xn, và Y theo thời gian. Gọi Zi là kí hiệu cho

một biến khơng quan sát được khác nhau giữa các đối tượng nhưng không đổi

theo thời gian và vì vậy bao gồm cả phần sai số trong đó. Bởi vì Z i khơng thay

đổi theo thời gian nên nó khơng thể giải thích bất kì sự thay đổi nào trong Y it. Vì

vậy, loại trừ tác động cố định của Zi lên Yit bằng cách sử dụng dữ liệu sự thay

đổi của Yit theo thời gian.

b. Mơ hình tác động ngẫu nhiên (Random Effects Model)

Xét một mối quan hệ kinh tế bao gồm một biến phụ thuộc, Y, và các biến

giải thích quan sát được, X1, X2…, Xn. Chúng ta có dữ liệu bảng cho Y, X1, X2…,

Xn. Dữ liệu bảng gồm có N đối tượng và T thời điểm, và vì vậy chúng ta có N×T

quan sát.

Mơ hình tác động ngẫu nhiên được viết dưới dạng:

Yit = β1X1it +β2X2it +…+ βnXnit + νi + εi

Với i = 1, 2, …, N và t = 1, 2, …, T

Trong đó, sai số cổ điển được chia làm 2 thành phần. Thành phần ν i đại

diện cho tất các các yếu tố không quan sát được mà thay đổi giữa các đối tượng

nhưng không thay đổi theo thời gian. Thành phần ε it đại diện cho tất cả các yếu

tố không quan sát được mà thay đổi giữa các đối tượng và thời gian. Giả sử rằng

νi được cho bởi:

νi = α0 + ωi, với i = 1, 2, …, N

Trong đó, νi lại được phân chia làm hai thành phần:

i) thành phần bất định α0,

ii) thành phần ngẫu nhiên ωi.



49

Giả định rằng, ωi cho mỗi đối tượng được rút ra từ một phân phối xác suất

độc lập với giá trị trung bình bằng 0 và phương sai khơng đổi, đó là, E(ω i) = 0,

Var(ωi) = σω2, Cov(ωi,ωs) = 0

N biến ngẫu nhiên ωi được gọi tác động ngẫu nhiên (random effects). Mơ

hình tác động ngẫu nhiên có thể được viết lại:

Yit = α0X1it + β2X2it +…+ βnXnit + μit

Trong đó μit= ωi + εit. Một giả định quan trọng trong mơ hình tác động ngẫu

nhiên là thành phần sai số μit khơng tương quan với bất kì biến giải thích nào

trong mơ hình.

Ước lượng OLS cho mơ hình tác động ngẫu nhiên sẽ cho các tham số ước

lượng không chệch nhưng lại không hiệu quả. Hơn nữa, ước lượng OLS bỏ qua

sự tự tương quan trong thành phần sai số μ it, do đó thống kê t sẽ khơng còn

chính xác. Để kết quả ước lượng khơng chệch và hiệu quả, chúng ta có thể sử

dụng ước lượng GLS khả thi (FGLS) để khắc phục hiện tượng sai số nhiễu tự

tương quan. Ước lượng FGLS còn được gọi là ước lượng tác động ngẫu nhiên

(Random effects estimator).

2.5.3. Lựa chọn mơ hình

Câu hỏi đặt ra là mơ hình nào sẽ là mơ hình phù hợp: FEM hay REM. Kiểm

định Hausman sẽ được sử dụng để lựa chọn phương pháp ước lượng phù hợp

giữa hai phương pháp ước lượng tác động cố định và tác động ngẫu nhiên

(Baltagi, 2013 & Gujarati, 2004). Thực chất kiểm định Hausman để xem xét có

tồn tại tự tương quan giữa εi và các biến độc lập hay không.

Giả thiết:

H0: εi và biến độc lập khơng tương quan

H1: εi và biến độc lập có tương quan

Khi giá trị p_value < 0.05 ta bác bỏ H 0, khi đó εi và biến độc lập tương

quan với nhau ta sử dụng mơ hình tác động cố định (FEM). Ngược lại, ta sử



50

dụng mơ hình tác động ngẫu nhiên (REM).

2.5.4. Phân tích tương quan và đa cộng tuyến

a. Phân tích tương quan

Hệ số tương quan (r) là một chỉ số thống kê đo lường mối liên hệ tương

quan giữa hai biến số X và Y.

Cho hai biến số x và y từ n mẫu, hệ số tương quan Pearson được ước tính

bằng cơng thức sau đây:



Trong đó: x , y : giá trị trung bình mẫu của biến x, y

Hệ số tương quan (r) có giá trị từ -1 đến 1. Hệ số tương quan (r) bằng 0

(hay gần 0) có nghĩa là hai biến số khơng có liên hệ gì với nhau. Ngược lại, nếu

hệ số tương quan bằng -1 hay 1 có nghĩa là hai biến số có một mối liên hệ tuyệt

đối. Nếu giá trị của hệ số tương quan là âm (r <0) có nghĩa là khi x tăng cao thì y

giảm (và ngược lại, khi x giảm thì y tăng). Nếu giá trị hệ số tương quan là dương

(r > 0) có nghĩa là khi x tăng cao thì y cũng tăng, và khi x giảm thì y cũng giảm

theo.

r > 0,8



: x và y tương quan mạnh, tồn tại đa cộng tuyến.



r = 0,4 đến 0,8 : x và y tương quan trung bình.

r < 0,4



: x và y tương quan yếu.



b. Đa cộng tuyến

Thông thường các biến độc lập không có mối quan hệ tuyến tính, nếu quy tắc bị

vi phạm sẽ có hiện tượng đa cộng tuyến. Như vậy, đa cộng tuyến là hiện tượng các

biến độc lập trong mơ hình phụ thuộc lẫn nhau và thể hiện được dưới dạng hàm số.

Giả sử ta phải ước lượng hàm hồi quy Y gồm k biến giải thích X1, X2, X3 ,…, Xk



51

Y = β1 + β2X2i + β3X3i + …+ βkXki + Ui (i= 1, � )

Các biến X2, X3,…, Xk gọi là các đa cộng tuyến hoàn hảo hay còn gọi là đa

cộng tuyến chính xác nếu tồn tại λ2, λ3..., λk không đồng thời bằng 0 sao cho:

λ2X2 + λ3X3 +…+ λkXk = 0 với mọi i

Các biến X2, X3,…, Xk gọi là các đa cộng tuyến khơng hồn hảo nếu tồn tại

λ2, λ3..., λk khơng đồng thời bằng 0 sao cho:

λ2X2 + λ3X3 +…+ λkXk + Vi = 0 với Vi là sai số ngẫu nhiên Các giải pháp

khắc phục đa cộng tuyến:

- Loại bỏ biến: Vì tính đa cộng tuyến là do những mối quan hệ chặt chẽ

giữa các biến độc lập, cách chắc chắn nhất để loại bỏ hoặc giảm bớt các tác động

của tính đa cộng tuyến là bỏ một hoặc nhiều biến độc lập ra khỏi mơ hình.

- Tăng kích thước mẫu: Giải pháp này thích hợp cho hiện tượng đa cộng

tuyến do cỡ mẫu nhỏ, vì tăng cỡ mẫu sẽ làm cải thiện độ chính xác của một ước

lượng và do đó, giảm thiểu được những yếu tố phản tác dụng của tính đa cộng

tuyến. Đơi khi chỉ cần tăng thêm một số quan sát là khắc phục được hiện tượng

đa cộng tuyến. Tuy nhiên, việc tăng dữ liệu đôi khi đồng nghĩa với việc tăng chi

phí, nhất là đối với dữ liệu sơ cấp.

- Bỏ qua đa cộng tuyến: Nếu t > 2 hoặc R2 của mơ hình cao hơn R2 của mơ

hình hồi quy phụ thì bỏ qua đa cộng tuyến. Nếu nhà nghiên cứu ít quan tâm đến

việc diễn dịch từng hệ số riêng lẻ nhưng lại chú trọng hơn vào việc dự báo, thì

tính đa cộng tuyến có thể khơng phải là một vấn đề nghiêm trọng. Ngay cả khi

có tương quan cao giữa các biến độc lập, nếu như các hệ số hồi quy là có ý

nghĩa, có những dấu và giá trị có ý nghĩa, thì khơng cần quan tâm vào vấn đề đa

cộng tuyến. Bởi, nếu một hệ số hồi quy có ý nghĩa ngay cả trong trường hợp có

sự hiện diện của đa cộng tuyến thì đó mới là một kết quả mạnh.

-



Sử dụng thông tin tiền nghiệm: sử dụng kết quả của các mơ hình kinh tế



lượng trước ít có đa cộng tuyến. Chẳng hạn



Tài liệu bạn tìm kiếm đã sẵn sàng tải về

a. Mô hình tác động cố định (Fixed Effects Model)

Tải bản đầy đủ ngay(0 tr)

×