Khóa bồi dưỡng về dự báo sử dụng eviews

ị:Đánh giá chất lượng dịch vụ: rất tốt – tốt – bình thường – kém: mô hình probit có thứ bậc Mua hàng màu: xanh, vàng, đỏ => mô hình probit đa cấpNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*The ROC curve plots the false positive rate on the X axis and 1 - the false negative rate on the Y axis. It shows the trade-off between the two rates. If the area under the ROC curve is close to 1, you have a very good test. If the area is close to 0.5, you have a lousy test. 0.50 to 0.75 = fair 0.75 to 0.92 = good 0.92 to 0.97 = very good 0.97 to 1.00 = excellent. NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*An ROC curve is a graphical representation of the trade off between the false negative and false positive rates for every possible cut off. Equivalently, the ROC curve is the representation of the tradeoffs between sensitivity (Sn) and specificity (Sp).By tradition, the plot shows the false positive rate on the X axis and 1 - the false negative rate on the Y axis. You could also describe this as a plot with 1-Sp on the X axis and Sn on the Y axis.NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHỤ LỤC: MÔ HÌNH LOGIT (1)Công thức sử dụng:Nhận xét: Đảm bảo 0 xác suất để một người là có nhà khi thu nhập = 20 là: Exp(- 6.55+0.38x20)/[1+ Exp(- 6.55+0.38x20) ]= 0.74Khi lương tăng lên từ 20 lên 21 đơn vị thì xác suất một người có nhà sẽ tăng lên: = 0.74x(1-0.74)x0.38 = 0.073NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHỤ LỤC: MÔ HÌNH LOGIT (4)odd ratio = pi/ (1 – pi)Ý nghĩa của tỷ số:NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNG Phân tích – đánh giá tác động – dự báo Nhiều ưu việtNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*CÁC GIẢ THIẾT CỦA OLSvar(ui) = σ2 với mọi i (homoscedasticity)cov(ui, uj) = 0 với i ≠ j (no autocorrelation)Y: ngẫu nhiên, X không ngẫu nhiên => cov(X,u) = 0Định dạng hàm đúng ui ~N(0, σ2)E(ui) = 0 (no systematic error)Không có đa cộng tuyến hoàn hảo NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*KHÁI NIỆM 5 hộ gia đình, thu nhập và chi tiêu trong 3 nămQuan sátId hộnămChi tiêuThu nhập1120071.2002.0002120081.4002.1003120091.5002.200--......13520072.0003.00014520082.1003.50015520092.3003.400NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*KHÁI NIỆMSố liệu mảng: cùng một tập đơn vị (N) (hộ gia đình, doanh nghiệp, nền kinh tế) được quan sát dọc theo một số thời điểm (T)Số liệu cân xứng: không bị mất quan sát ở giữaKích thước của số liệu: N lớn, T nhỏN nhỏ, T lớnN nhỏ, T nhỏN lớn, T lớnNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*KHÁI NIỆMSố liệu mảng có thể có:Biến số nhận các giá trị khác nhau giữa các đơn vị, nhưng với mỗi đơn vị thì không thay đổi theo thời gian. (địa bàn hoạt động, năng lực của CEO, giới tính, ..)Biến số nhận các giá trị khác nhau cho mỗi thời kỳ, nhưng giống nhau giữa các đơn vị (tỷ giá hối đoái, c.s kinh tế vĩ mô,..)Biến số thay đổi cả hai chiều: vốn, lao động,,NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*ƯU VIỆT CỦA SỐ LIỆU MẢNGXét ví dụ: Khi đánh giá các yếu tố ảnh hưởng đến năng suất lao động=> chọn ngẫu nhiên 20 thửa ruộng ở các tỉnh => hồi quy thu được: NS^ = 4 – 0.5PB Q: Có thể tin tưởng kết quả trên không? A: chưa chắc: NS còn phụ thuộc vào độ phì nhiêu của đất, không quan sát được. Chất lượng đất có tương quan với lượng PB => vấn đề về tương quan giữa X và u NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*KHI BÀI TOÁN CÓ BIẾN KHÔNG QUAN SÁT ĐƯỢC MÀ CÓ TƯƠNG QUAN VỚI BIẾN ĐỘC LẬP => CÁC UL OLS LÀ KHÔNG ĐÁNG TIN CẬYNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*ƯU VIỆT CỦA SỐ LIỆU MẢNGVấn đề thiếu biến không quan sát đượcCó thể thực hiện các nghiên cứu tinh vi, phức tạp hơn: động thái của các đơn vị khác nhau dọc theo thời gian,.v.vNhiều số liệu=> suy diễn thống kê đáng tin cậy hơnĐối với các nước đang phát triển, VN:Yếu tố vi mô v.s vĩ môThường giải quyết được vấn đề về đa cộng tuyến cao trong chuỗi thời gian,v.vNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNGXét mô hình từ góc độ biến bị bỏ sót:không đổi theo iKhông đổi theo tthay đổi theo cả t và iChúng ta xét trường hợp thứ 1Mô hình có dạng:Yit = a0 + β1X1it+..+ βkXkit + ci+ uit, uit thỏa mãn giả thiết của OLSci: không quan sát đượcNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH PHÂN TÍCH SỐ LIỆU MẢNG Ký hiệu: vij = ci+uijTùy thuộc vào bản chất của yếu tố ci, ta có 3 loại mô hình sau OLS gộp (POLS)Mô hình tác động cố định (FE)Mô hình tác động ngẫu nhiên (RE)NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH OLS GỘPNếu không có ci: trở về mô hình thông thường => OLS gộp: ul OLS cho toàn bộ quan sát OLS là tốt nhất (khi đó v thỏa mãn các giá thiết OLS)NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH TÁC ĐỘNG NGẪU NHIÊNNếu tồn tại ci:Nếu ci không tương quan với X => v: sai số ngẫu nhiên tổng hợpssnn tổng hợp này không vi phạm giả thiết 3=> mô hình tác động ngẫu nhiênNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MÔ HÌNH TÁC ĐỘNG CỐ ĐỊNHKhi ci là có tương quan với X, khi đó cả FE và POLS đều chệch=> Không thể nhóm ci vào vij được=> Sử dụng mô hình tác động cố định=> các phương pháp xử lý ci khác nhau sẽ dẫn đến các phương pháp ước lượng khác nhau: ước lượng dọchồi quy với biến giảNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*FE VÀ REFE: Không đánh giá được tác động của các yếu tố như: giới tính, năng lực, xuất phát điểm của địa phươngKhông suy diễn được cho các cá thể ngoài mẫuRETập quan sát phải mang tính ngẫu nhiênGỉa thiết về sự không tương quan giữa c và X thường là quá chặtNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*LỰA CHỌN MÔ HÌNHNếu biến bị bỏ sót là không đáng kể => POLS là tốt nhấtNếu biến bị bỏ sót không tương quan với X => RE là hiệu quả hơn FE (nhưng phải giả thiết về sự không tương quan giữa c và u)Nếu biến bị bỏ sót là tương quan với X thì RE là chệch và không vững=> chọn FELựa chọn giữa POLS và RE: sử dụng xttest0Nếu RE được lựa chọn => sẽ chọn giữa FE hay RE: Hausman NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*THỦ TỤC LỰA CHỌN MÔ HÌNHRExttest0P>>POLSFEHausmanP>>REFENGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*MỘT SỐ LỆNH THÔNG DỤNG xtset id time: khai báo số liệu dạng mảngxtreg y x1 x2 xk, re : chạy mô hình r.exttest0: lựa chọn re và polsxtreg y x1 x2 xk, feest store tdcd: lưu giữ kết quả vừa ước lượnghausman tdcd: kiểm định lựa chọn re và feThực hành trên stata với số liệu productivity NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHỤ LỤC: KIỂM ĐỊNH HAUSMANÝ tưởng:Nếu ci và X là không tương quan=> FE và RE: vững, RE hiệu quả hơnNếu ci và X là tương quan=> RE không vững=> nếu sự khác biệt giữa ULFE và ULRE quá lớn thì là dấu hiệu của sự có tương quan => chọn FENGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHỤ LỤC: VỀ TÍNH TỰ TƯƠNG QUAN CỦA Vvij = ci + uij; uij không tương quan, p.s không đổi=> cov(vij; vis) = cov(ci + uij; ci + uis)== var(ci) +cov(ci, uis) + cov(ci;uij) khi j ≠ s= var(ci) +var(uij)+cov(ci, uis) + cov(ci;uij) khi j =sGiá trị này nói chung là khác 0, ngay cả khi c va u là không tương quanNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*GIỚI THIỆU Ứng dụng:Dự báo ngắn hạnKhi không có nhiều thông tin về các yếu tố tác động Thường là các chuỗi số vĩ mô/ tài chính/ chứng khoánNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHỤ LỤC 4: CÁC TIÊU CHUẨN LỰA CHỌN TRỄ Kiểm định LR (likelihood ratio): m: tổng các hệ số trong mỗi p.t, q: tổng tất cả ràng buộcTiêu chuẩnNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*VAR VÀ SVARSVAR và VARVấn đề định dạngNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*VẤN ĐỀ ĐỊNH DẠNG CỦA SVARMô hình (1.1) viết lại thành:Do đó nếu 1- a11a12 ≠ 0 thì:NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*QUAN HỆ GIỮA E VÀ ε Nếu (1.2) là định dạng được =>NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*Nhận xétMô hình: atheoreticalMô hình dự báo (ngắn hạn? trung hạn?)Phân tích cơ chế chuyền tải sốc giữa các biến tác động của sốc của một biến lên các biến khác theo thời gian vai trò tương đối của từng sốc đối với sai số dự báo NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHÂN RÃ CHOLESKYLựa chọn => Quay về bài toán định dạng:=> chẳng hạn có thể giả sử rằng sốc trên biến y2t không có ảnh hưởng tức thời đến y1t: a11 = 0 => => phân rã Cholesky NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*HÀM PHẢN ỨNG (IRF)Nhận xét: sốc lên một biến chính sách tác động lên cả hệ thống, theo t Mục đích của phân tích IRF: tìm hiểu tác động của các cú sốc lên các biến phụ thuộc trong mô hình theo thời gian Thực hiện: Biểu diễn các biến phụ thuộc như một hàm của các cú sốc (impulse)Xét hệ (1.2): yt = B0 + B1yt-1+ et , nếu hệ ổn định =>NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*HÀM PHẢN ỨNG (IRF)Hay: Từ p.t này có thể suy ra được tác động của các cú sốc hệ thống lên từng biến số của mô hình(1.4)NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*HÀM PHẢN ỨNG (IRF)Ý nghĩa của các hệ số trong (1.4)Ф11(0), Ф11(1),.. ,Ф11(k), : tác động của cú sốc 1 đơn vị của biến y1 tại thời điểm t lên chính nó sau 0, 1,.., k giai đoạnФ12(0), Ф12(1),.. ,Ф12(k), : tác động của cú sốc 1 đơn vị của biến y2 tại thời điểm t lên y1 sau 0, 1,.., k giai đoạn; ..=> Фij(t): hàm phản ứng thể hiện tác động của cú sốc 1 đơn vị của biến j lên biến i sau t giai đoạn NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*HÀM PHẢN ỨNG (IRF)Фij(0): nhân tử tác động (impact multiplier) : nhân tử dài hạn (long run multiplier)Q: làm sao để tính được hàm phản ứngNGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*PHÂN RÃ CHOLESKYĐể biết được giá trị của các hàm này, cần có ước lượng của các hệ số tạo nên Фij, nghĩa là các ai và bi=> Quay về bài toán định dạng:=> chẳng hạn có thể giả sử rằng sốc trên biến y2t không có ảnh hưởng tức thời đến y1t: a11 = 0 => => phân rã Cholesky NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*VÍ DỤXét hệ VAR dạng rút gọn với giá trị ước lượng:Sử dụng phân rã Cholesky, với giả thiết sốc lên biến z không có tác động tức thời lên biến y, nghĩa là a11 = 0Giải hệ phương trình (1.3) và với giả thiết a11 = 0: a10 = a20 = 0; a11 = 0, a12 =b11 = 0.6, a13 = b12 = 0.2 a21 = 0.7, a22 = - 0.22, a23 = 0.44NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*VÍ DỤ=> Khi đó ta có:NGUYEN THI MINH - KTQD - KHOA TOAN KINH TE*VÍ DỤ VÀ MỘT SỐ KHÁI NIỆMVí dụ: future price và spot priceCùng là I(1) Có xu hướng giống nhau => y(t) –x(t)? Định nghĩa: x1;,..;xk là các chuỗi đồng tích hợp nếu: x1;,..;xk: I(1)tồn tại λ1,.., λk không đồng thời bằng 0 sao cho: λ1x1+..+ λkxk: I(0)Véc tơ (λ1,.., λk): véc tơ đồng tích hợp của (x1;,..; xk )