HỒI QUI VỚI BIẾN GIẢ VÀ BIẾN BỊ CHẶN

HỒI QUI VỚI BIẾN GIẢ VÀ BIẾN BỊ CHẶN  Bản chất của biến giả - Biến giả cho sự thay đổi trong hệ số chặn  Biến giả cho sự thay đổi trong hệ số góc  Biến giả và Kiểm định tính ổn định cấu trúc của mô hình  Hồi qui tuyến tính từng khúc  Biến phụ thuộc là biến giả  Mô hình xác suất tính tuyến tính (LPM)  Mô hình Probit và Logit  Biến bị chặn: mô hình Tobit Bản chất của biến giả - Biến giả cho sự thay đổi trong hệ số chặn Trong phân tích hồi qui, có 2 loại biến chính: biến định lượng và biến định tính.  Các biến định lượng: giá trị của những quan sát đó là những con số.  Biến định tính thường biểu thị có hay không có một tính chất hoặc biểu thị các mức độ khác nhau của một tiêu thức thuộc tính nào đó, chẳng hạn như giới tính, tôn giáo, chủng tộc, nơi cư trú, …  Những biến định tính này cũng có sự ảnh hưởng đối với biến phụ thuộc và phải được đưa vào mô hình hồi quy. Bản chất của biến giả - Biến giả cho sự thay đổi trong hệ số chặn  Biến giả (D) thường có 2 giá trị:  D = 1: nếu quan sát có một thuộc tính nào đó, và  D = 0: nếu không có thuộc tính đó.  Biến giả cũng được đưa vào mô hình hồi quy giống như một biến định lượng,  Chúng được dùng để chỉ sự khác biệt giữa 2 nhóm quan sát: có và không có một thuộc tính nào đó. Bản chất của biến giả - Biến giả cho sự thay đổi trong hệ số chặn  Ví dụ: giả sử ta muốn xem có sự khác biệt nào không về tiền công giữa nam và nữ với những điều kiện về công việc như nhau.  Hàm hồi quy ngẫu nhiên cho một quan sát: wagei = 0 + 1Di + ’X + ui, Trong đó D là biến giả về giới tính: D = 1 nếu là nam và 0 nếu là nữ; X là vector chỉ những đặc điểm cá nhân và công việc.  Nếu D=1: wagei = 0 + 1 + ’X + ui,  Nếu D=0: wagei = 0 + ’X + ui,  Vậy hệ số 1 đo lường sự khác biệt của hệ số 0 giữa nhóm nam và nữ.  Biến giả cho sự thay đổi trong hệ số chặn (hệ số tự do)                    y x Hình 7.1 Đường hồi qui với hệ số góc giống nhau và hệ số chặn khác nhau Wagei = 0 + 1 + ’X + ui Wagei = 0 + ’X + ui  Nếu biến định tính được chia ra m nhóm, chúng ta phải sử dụng (m -1) biến giả.  Ví dụ: Ta có thể chia trình độ học vấn thành các cấp học: 1) cấp một trở xuống, 2) cấp hai, 3) cấp ba và 4) cao hơn.  để so sánh tiền công của những người lao động có các trình độ học vấn khác nhau, ta dùng 3 biến giả: D1: cấp hai; D2: cấp ba và D3: cấp học cao hơn.  Các hệ số ước lượng của D1; D2 và D3: sẽ chỉ ra sự khác biệt về tiền công giữa các cấp học tương ứng và cấp một trở xuống.  Nhóm không được biểu diễn bởi biến giả đgl nhóm cơ sở, hay nhóm đối ứng, hay nhóm so sánh, …  Giả định rằng hệ số góc  là giống nhau cho các nhóm và phần sai số ngẫu nhiên u có cùng phân phối cho các nhóm Biến giả cho sự thay đổi trong hệ số chặn  Lưu ý: mô hình hồi quy có thể chỉ bao gồm những biến giả.  Khi đó, mô hình đgl “Mô hình phân tích phương sai” (ANOVA model).  Hệ số của các biến giả sẽ cho biết sự khác biệt về giá trị trung bình của biến phụ thuộc giữa các nhóm.  Một ví dụ khác, giả sử rằng chúng ta có số liệu về tiêu dùng C và thu nhập Y của một số hộ gia đình. Thêm vào đó, chúng ta cũng có số liệu về: 1) S: giới tính của chủ hộ 2) A: tuổi của chủ hộ, được chia ra như sau: < 25 tuổi, từ 25 đến 50, > 50 tuổi. 3) E: trình độ học vấn của chủ hộ, cũng được chia thành 3 nhóm: < trung học,  trung học nhưng < đại học,  đại học.  Chúng ta sẽ sử dụng những biến định tính này bằng các biến giả như sau: 1 nếu giới tính là nam 0 nếu là nữ D1 = 1 nếu tuổi từ 25 đến 50 0 nhóm tuổi khác D3 = 1 nếu học vấn < trung học 0 nhóm học vấn khác D4 = 1 nếu học vấn  trung học nhưng < đại học trở lên 0 nhóm học vấn khácD5 = 1 nếu tuổi nhỏ hơn 25 0 nhóm tuổi khác D2 =  Khi đó chúng ta chạy phương trình hồi qui: C =  + Y + 1D1 + 2D2 + 3D3 + 4D4 + 5D5 + u  Ví dụ, khi chủ hộ là nam, nhỏ hơn 25 tuổi, có một bằng đại học, chúng ta có D1 = 1, D2 = 1, D3 = 0, D4 = 0, D5 = 0 => hệ số chặn sẽ là  + 1 + 2.  Khi chủ hộ là nữ, lớn hơn 50 tuổi, có một bằng đại học, chúng ta có D1 = 0, D2 = 0, D3 = 0, D4 = 0, D5 = 0 và như vậy hệ số chặn sẽ chỉ là . Biến giả cho sự thay đổi trong hệ số góc  Ví dụ, phương trình hồi qui cho 2 nhóm: y1 =  + 1x + u cho nhóm thứ nhất và y2 =  + 2x + u cho nhóm thứ hai Giả sử có sự khác biệt về hệ số góc giữa 2 nhóm: y2 =  + (1 + )x + u =  + 1x + x +u Phương trình hồi quy cho một quan sát i là: yi =  + 1xi + Dixi + ui =  + 1xi + Dixi + ui Do vậy, hệ số của biến Dixi () sẽ cho biết sự khác biệt về hệ số góc giữa hai nhóm. Biến giả và Kiểm định tính ổn định cấu trúc của mô hình  Ta có bảng số liệu sau về thu nhập và tiết kiệm ở Mỹ từ năm 1970 – 1995.  Vào năm 1982, Mỹ rơi vào khủng hoảng kinh tế  Ta có thể giả định có sự thay đổi cấu trúc trong mối quan hệ giữa tiết kiệm và thu nhập,  Ta chia số liệu ra 2 giai đoạn và đặt:  D = 1: cho số liệu từ 1982 và 0 cho giai đoạn trước đó. Biến giả và Kiểm định tính ổn định cấu trúc của mô hình  Ta có mô hình hồi quy: Yt = α1 + α2Dt + β1Xt + β2(DtXt) + ut Hồi qui tuyến tính từng khúc  Hệ số góc của biến độc lập, X, có thể thay đổi khi X đạt một mức ngưỡng nào đó.  Phân tích mô hình có sự thay đổi về độ dốc, nhưng cũng chỉ giới hạn trong trường hợp đoạn thẳng được ước lượng vẫn là liên tục.  Công ty trả hoa hồng cho các đại lý dựa vào doanh thu, nếu doanh thu dưới mức x* thì cách tính tiền hoa hồng khác với cách tính tiền hoa hồng khi doanh thu trên mức x*.          y x* Hình 7.3: Đường hồi qui tuyến tính từng khúc          x doanh thu tiền hoa hồng 0  Ước lượng hàm: y =  + x + xD + u (7.8)  Trong đó: y: tiền hoa hồng; x: doanh thu x*: giá trị ngưỡng của doanh thu Kiểm định  = 0 1 nếu x > x* 0 nếu x  x* D = Biến phụ thuộc là biến giả  Biến giả có thể có 2 hoặc nhiều giá trị nhưng trong trường hợp này chúng ta chỉ xem xét trường hợp nó chỉ có 2 giá trị: 0 hoặc 1.  mô hình xác suất tuyến tính (LPM)  Ví dụ: 1 nếu một sinh viên tốt nghiệp ra trường 0 nếu không tốt nghiệp y = 1 nếu một gia đình có vay được vốn từ ngân hàng 0 nếu không vay được y = Mô hình xác suất tuyến tính và hàm phân biệt tuyến tính  Chúng ta viết mô hình xác suất tuyến tính dưới dạng hồi qui thông thường như sau: yi = Pi = E(yi|xi) = i’xi + ui (7.9) với E(ui) = 0.  Kỳ vọng có điều kiện E(yi|xi) = ’ixi được giải thích như là xác suất có điều kiện để sự kiện xảy ra khi biến xi đã xảy ra. Mô hình xác suất tuyến tính  Vì E(yi|xi) là một xác suất nên:  0  E(yi|xi)  1  Tuy OLS không đòi hỏi ui phải có phân phối chuẩn, nhưng ta vẫn giả định nó có phân phối chuẩn để phục vụ cho việc suy diễn.  Giả định này bị vi phạm, vì thực sự ui theo phân phối Bernoulli.  Xét mô hình LPM 2 biến, ta có: Mô hình xác suất tuyến tính ui = Yi - 1 - 2Xi Khi Yi = 1, ui = 1 - 1 - 2Xi, với xác suất pi, Khi Yi = 0, ui = -1 -2Xi, với xác suất 1- pi,  Ước lượng OLS vẫn không chệch, nên nếu dùng để ước lượng điểm, kết quả vẫn tin cậy.  Có hiện tượng phương sai sai số thay đổi, do ui theo phân phối Bernoulli nên: Var(ui) = Pi(1 – Pi) với Pi = ’iXi  E(yi|xi) có thể vượt khoảng (0,1) nếu Xi có giá trị lớn.  R2 sẽ rất nhỏ  y Hình 7.4: Dự báo từ mô hình xác suất tuyến tính    x 1 0 Đường hồi qui tuyến tính Đường hồi qui thích hợp hơn Mô hình Probit và Logit  Trong mô hình LPM, ta có: yi = Pi = E(yi|xi) = F(i’xi) = i’xi + ui, Trong đó: i’xi = 0 + 1x1 + 2x2 + … + kxk  Do yi là một xác suất nên thay vì ta dùng F(i’xi) là hàm tuyến tính như LPM, ta có thể cho F(xi) là một hàm tích lũy xác suất (c.d.f).  Khi đó, chắc chắn 0  E(yi|xi) = F(i’xi)  1.  Tùy theo dạng của F(i’xi) được chọn, ta có các mô hình: “lựa chọn nhị phân” (binary choice) khác nhau:  F(i’xi) là c.d.f của phân phối chuẩn: probit model  F(i’xi) là c.d.f của phân phối logistic: logit model “Biến ẩn” và Mô hình Probit và Logit  Gọi yi* là một “biến ẩn”, không quan sát được từ quan sát i: yi* = xi’ + vi, Trong đó vi thỏa các giả định của CLRM.  Giả sử ta quan sát được yi khi yi* vượt một ngưỡng nào đó, chẳng hạn, 0, với: yi = 1 khi yi* > 0, và yi = 0 khi yi*  0.  Do vi có p.d.f đối xứng nên: 1-F(-xi’) = F(xi’). Ta có: P(y = 1|xi) = P(y* > 0|xi) = P(vi > -xi’) = 1 - F(-xi’) = F(xi’) Mô hình logit và probit  Tác động biên (marginal effect) của xi lên Pi là: Trong đó f(.) là p.d.f của F(.).  Ta thấy tác động từng phần này có cùng dấu với i và phụ thuộc vào giá trị của xi, không giống như các mô hình tuyến tính.  Do vậy, ta chỉ có thể tính tác động biên của xi lên Pi ứng với các giá trị cụ thể của các xi.     'ii i ' i i i xf x xF x P       Mô hình logit và probit        ' i ' i x x ' iiii e exFPxyE   1 Hàm c.d.f. trong các mô hình: Mô hình logit: Mô hình probit: F(.) là c.d.f. của phân phối chuẩn tắc.          ' i ' i x /x' ii exFP 2 2 1 Đây là các mô hình phi tuyến tính nên ước lượng bằng phương pháp ML (Maximum Likelihood) Mô hình logit và probit Ước lượng ML của mô hình Logit và Probit  Để ước lượng mô hình bằng ML, ta phải xây dựng hàm log-likelihood của các quan sát i.  Xác suất có điều kiện của yi ứng với xi là: f(y|xi, ) = [F(xi’)]y[1 - F(xi’)](1-y), y = 0, 1  Hàm log-likelihood của quan sát i là:  Hàm log-likelihood của mẫu n quan sát: L = (*)           iiiii xFlogyxFlogy  11   n i 1  Ước lượng ML của mô hình Logit và Probit  Thông thường, ta có thể giải (*) để tìm ước lượng  của  sao cho L() cực đại.   là các ước lượng chệch nhưng vững và xấp xỉ phân phối chuẩn.  Do vậy, ta có thể dùng các thống kê t, F để kiểm định mức ý nghĩa của các ước lượng.  Lưu ý, các ước lượng ML là vững và theo những phân phối xấp xỉ nên để có độ tin cậy cao, cở mẫu n phải lớn.   Mô hình logit:  Vế trái của phương trình này được gọi là tỉ số log-odds.  phân phối tích luỹ của ui trong (7.10) là logistic     k j ijj i i x P P 1 0)1 ln(  Mô hình Probit: các phần dư ui trong phương trình (7.10) theo phân phối chuẩn    k j ijji xZ 1 0  Biến bị chặn: mô hình Tobit  Mô hình Tobit được sử dụng để phân tích trong lý thuyết kinh tế lượng lần đầu tiên bởi nhà kinh tế học James Tobin năm 1958.  với ui ~ IN(0, 2) yi* = xi + ui nếu yi* > 0 0 nếu yi*  0 yi =  Nó còn có tên gọi khác là mô hình hồi qui chuẩn được kiểm duyệt (censored regression model)  hoặc mô hình hồi qui có biến phụ thuộc bị chặn (limited dependent variable regression model)  bởi vì có một số quan sát của biến phụ thuộc y* bị chặn hay được giới hạn.  Ví dụ, Tobin xem xét vấn đề chi tiêu cho việc mua xe ôtô.  Chúng ta muốn ước lượng hệ số co giãn của thu nhập đối với nhu cầu mua xe ôtô.  Đặt y* là chi tiêu cho mua xe ôtô và x là thu nhập, mô hình Tobit được trình bày như sau:  y* = xi + ui ui ~ IN(0, 2)  Mô hình Tobit: chi tiêu mua xe ô tô  mô hình cho số giờ làm việc yi = xi + ui cho các quan sát có chi tiêu mua xe là số dương 0 cho các quan sát không có chi tiêu mua xe yi =  mô hình tiền lương yi = xi + ui cho những người có việc làm 0 cho những người không đi làmHi = yi = xi + ui cho những người có việc làm 0 cho những người không đi làmWi =  Bây giờ ước lượng phương trình hồi qui bội y = 0 + 1x1 + 2x2 + … + kxk + u  Thu được tổng bình phương các phần dư RSS. Khi đó: i k i i x   1   nếu cá nhân thuộc nhóm 1 (nhóm I) nếu cá nhân thuộc nhóm 2 (nhóm II) y = n2 n1 + n2n1 n1+n2 221    nn RSS ii 