Đề thi, bài tập trắc nghiệm online Kinh tế lượng – Đề 1

Biến giả (dummy variable), hay biến chỉ thị, được sử dụng trong hồi quy để đo lường tác động của các biến định tính (qualitative variables) lên biến phụ thuộc. Ví dụ, biến giả có thể được sử dụng để biểu thị giới tính, khu vực địa lý, hoặc các sự kiện đặc biệt.

Khoảng tin cậy (Confidence Interval) cho hệ số hồi quy được xây dựng dựa trên ước lượng điểm của hệ số và sai số chuẩn của ước lượng đó. Khoảng tin cậy cung cấp một khoảng giá trị mà trong đó chúng ta có thể tin tưởng (với một mức độ tin cậy nhất định) rằng giá trị thực tế của hệ số nằm trong khoảng đó.

Đa cộng tuyến xảy ra khi có mối tương quan tuyến tính mạnh mẽ giữa hai hoặc nhiều biến độc lập trong mô hình hồi quy. Điều này gây khó khăn trong việc phân tách ảnh hưởng riêng rẽ của từng biến độc lập lên biến phụ thuộc và làm tăng phương sai của các ước lượng hệ số.

Hiệu ứng cố định trong mô hình dữ liệu bảng loại bỏ ảnh hưởng của các yếu tố không quan sát được, không thay đổi theo thời gian nhưng khác nhau giữa các đơn vị quan sát (ví dụ: khác biệt về văn hóa, thể chế giữa các quốc gia). Nó tập trung vào sự biến thiên *trong* từng đơn vị theo thời gian.

Phương pháp OLS ước lượng các hệ số hồi quy bằng cách tìm các giá trị hệ số sao cho tổng bình phương các sai lệch giữa giá trị thực tế và giá trị dự đoán của biến phụ thuộc (tức là tổng bình phương phần dư - RSS) là nhỏ nhất.

P-value là xác suất để quan sát được kết quả kiểm định (hoặc kết quả cực đoan hơn) nếu giả thuyết gốc là đúng. P-value nhỏ (thường dưới mức ý nghĩa 0.05) cho thấy bằng chứng chống lại giả thuyết gốc, dẫn đến việc bác bỏ giả thuyết gốc.

Tính dừng (stationarity) là yêu cầu quan trọng trong phân tích chuỗi thời gian. Chuỗi dừng có các đặc tính thống kê (như trung bình và phương sai) không thay đổi theo thời gian, cho phép sử dụng các mô hình ARIMA và các kỹ thuật dự báo chuỗi thời gian một cách hiệu quả.

Kiểm định F kiểm tra xem có ít nhất một biến độc lập nào đó trong mô hình có ảnh hưởng đến biến phụ thuộc hay không. Nói cách khác, nó đánh giá xem mô hình hồi quy có phù hợp tổng thể (có ý nghĩa chung) hay không, chứ không phải kiểm định ý nghĩa của từng biến riêng lẻ (được kiểm định bằng kiểm định t).

Kiểm định Breusch-Pagan là một trong các kiểm định được sử dụng để phát hiện hiện tượng phương sai sai số thay đổi (Heteroscedasticity). Nó kiểm tra xem phương sai của sai số có phụ thuộc vào các biến độc lập hay không.

Bỏ sót một biến độc lập quan trọng có tương quan với cả biến phụ thuộc và các biến độc lập đã có trong mô hình sẽ gây ra thiên lệch biến bỏ sót. Các ước lượng hệ số sẽ bị chệch và không nhất quán.

Trong mô hình log-log, khi cả biến phụ thuộc và biến độc lập đều được lấy logarit, hệ số hồi quy xấp xỉ độ co giãn. Nó thể hiện phần trăm thay đổi của biến phụ thuộc khi biến độc lập thay đổi 1%.

Phương pháp GMM (Generalized Method of Moments) là một phương pháp ước lượng tổng quát, có thể được sử dụng cho cả mô hình tuyến tính và phi tuyến tính. Nó dựa trên việc sử dụng các điều kiện mô men (moment conditions) được suy ra từ mô hình lý thuyết để ước lượng các tham số.

Thuật ngữ 'BLUE' (Best Linear Unbiased Estimator) mô tả các ước lượng OLS trong mô hình CLRM khi các giả định được thỏa mãn. BLUE có nghĩa là ước lượng là tuyến tính, không chệch (unbiased), và có phương sai nhỏ nhất (best, efficient) trong số tất cả các ước lượng tuyến tính không chệch khác.

Kiểm định Dickey-Fuller là một kiểm định đơn vị gốc (unit root test) được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Giả thuyết gốc của kiểm định Dickey-Fuller là chuỗi thời gian có đơn vị gốc (không dừng).

Trong mô hình logit, hệ số hồi quy thể hiện sự thay đổi trong log-odds của biến phụ thuộc khi biến độc lập tăng lên một đơn vị. Để diễn giải tác động lên xác suất, cần sử dụng hàm phân phối tích lũy logistic (CDF) hoặc tính odds ratio.

Trong mô hình ARIMA(p, d, q), 'd' là bậc của sai phân (differencing) cần thiết để làm cho chuỗi thời gian trở nên dừng. 'p' là bậc tự hồi quy (AR) và 'q' là bậc trung bình trượt (MA).

Mô hình CLRM yêu cầu các giả định về tuyến tính, không tự tương quan, phương sai sai số không đổi, và biến độc lập không tương quan với sai số. Giả định sai số phân phối chuẩn là cần thiết cho các kiểm định thống kê và suy diễn, nhưng không phải là giả định *cơ bản* của CLRM như các giả định khác.

Mô hình probit và logit là các mô hình hồi quy phi tuyến tính được sử dụng khi biến phụ thuộc là biến nhị phân (binary), tức là biến chỉ nhận hai giá trị (ví dụ: 0 hoặc 1, đúng hoặc sai, có hoặc không). Chúng mô hình hóa xác suất biến phụ thuộc nhận giá trị 1.

Biến trễ (lagged variables), tức là giá trị của biến ở các thời kỳ trước, được sử dụng để mô hình hóa tác động động (dynamic effects) trong các mô hình kinh tế lượng, đặc biệt là trong chuỗi thời gian. Chúng cũng giúp kiểm soát và mô hình hóa tự tương quan trong sai số hoặc biến phụ thuộc.

Tự tương quan (Autocorrelation), hay tương quan chuỗi, thường xảy ra trong dữ liệu chuỗi thời gian, khi sai số ở một thời điểm nhất định có tương quan với sai số ở các thời điểm khác. Điều này thường do các yếu tố không quan sát được có tính bền vững theo thời gian.

R-squared, hay hệ số xác định, thể hiện tỷ lệ phần trăm phương sai của biến phụ thuộc (Y) được giải thích bởi các biến độc lập (X) trong mô hình hồi quy. Giá trị R-squared càng cao, mô hình càng phù hợp với dữ liệu.

Sai số chuẩn (Standard Error) đo lường độ chính xác của ước lượng hệ số hồi quy. Sai số chuẩn càng nhỏ, ước lượng hệ số càng chính xác, tức là ít biến động xung quanh giá trị thực tế.

Nội sinh (Endogeneity) có thể phát sinh từ nhiều nguồn, bao gồm: (1) Thiên lệch biến bỏ sót (Omitted Variable Bias) khi có biến không quan sát được ảnh hưởng đến cả biến độc lập và biến phụ thuộc; (2) Đo lường sai số (Measurement Error) trong biến độc lập; và (3) Quan hệ nhân quả hai chiều (Simultaneity) khi biến độc lập và biến phụ thuộc ảnh hưởng lẫn nhau.

Kiểm định Durbin-Watson là một kiểm định thống kê được sử dụng để phát hiện tự tương quan bậc nhất trong phần dư của mô hình hồi quy, đặc biệt là trong dữ liệu chuỗi thời gian.

Phương pháp sai phân hai giai đoạn (2SLS - Two-Stage Least Squares) là một kỹ thuật ước lượng phổ biến được sử dụng để thực hiện hồi quy biến công cụ (IV). Nó được dùng để giải quyết vấn đề nội sinh bằng cách sử dụng biến công cụ để ước lượng biến độc lập nội sinh ở giai đoạn đầu, sau đó sử dụng giá trị ước lượng này trong hồi quy giai đoạn hai.

Mô hình hiệu ứng ngẫu nhiên (Random Effects) phù hợp hơn khi giả định rằng các yếu tố không quan sát được (unobserved effects) không tương quan với các biến độc lập trong mô hình. Nếu có tương quan, mô hình hiệu ứng cố định (Fixed Effects) sẽ thích hợp hơn để tránh thiên lệch.

Sai số loại II (Type II error) xảy ra khi chúng ta không bác bỏ giả thuyết gốc (null hypothesis) mặc dù giả thuyết gốc đó thực sự sai. Điều này có nghĩa là chúng ta bỏ lỡ việc phát hiện ra một hiệu ứng hoặc mối quan hệ thực sự tồn tại.

Phương pháp sai phân bậc nhất (lấy sai phân giữa giá trị hiện tại và giá trị kỳ trước của biến) thường được sử dụng trong dữ liệu chuỗi thời gian để loại bỏ xu hướng thời gian và giảm thiểu tự tương quan. Nó giúp mô hình trở nên dừng (stationary).

Phương pháp biến công cụ (IV) được sử dụng khi có vấn đề nội sinh, tức là khi có tương quan giữa biến độc lập và sai số. Biến công cụ là biến có tương quan với biến độc lập nội sinh nhưng không tương quan với sai số, giúp xác định ảnh hưởng nhân quả của biến độc lập.

Phương pháp bình phương tối thiểu tổng quát hóa (GLS - Generalized Least Squares) là một phương pháp ước lượng hiệu quả hơn OLS khi có vi phạm các giả định về phương sai sai số không đổi (Homoscedasticity) và/hoặc không tự tương quan (No Autocorrelation). GLS điều chỉnh để tính đến cấu trúc phương sai-hiệp phương sai của sai số.