Đề thi, bài tập trắc nghiệm online Kinh tế lượng – Đề 12

Mô hình Logit và Probit là các mô hình hồi quy cho biến phụ thuộc nhị phân (binary dependent variable), tức là biến chỉ có hai giá trị có thể (ví dụ: 0 hoặc 1, thành công hoặc thất bại, có hoặc không). Các mô hình này thường được sử dụng khi muốn dự đoán xác suất của một sự kiện xảy ra.

Mô hình Poisson là mô hình hồi quy phù hợp nhất khi biến phụ thuộc là số lượng đếm (count data), tức là biến nhận giá trị không âm và là số nguyên (0, 1, 2, ...), ví dụ như số vụ tai nạn, số cuộc gọi, số lần mua hàng. Mô hình Poisson giả định rằng biến phụ thuộc tuân theo phân phối Poisson.

Kiểm định Hausman là một kiểm định thống kê được sử dụng trong phân tích dữ liệu bảng để quyết định xem nên sử dụng mô hình tác động cố định (Fixed Effects - FE) hay mô hình tác động ngẫu nhiên (Random Effects - RE). Kiểm định này dựa trên việc so sánh tính nhất quán và hiệu quả của hai loại mô hình này.

Đa cộng tuyến là hiện tượng xảy ra khi có mối tương quan tuyến tính mạnh giữa hai hoặc nhiều biến giải thích trong mô hình hồi quy. Điều này gây khó khăn trong việc phân biệt tác động riêng rẽ của từng biến giải thích.

Kiểm định Durbin-Watson là một kiểm định thống kê được sử dụng để phát hiện sự tự tương quan bậc nhất (autocorrelation of order one) trong phần dư của một phân tích hồi quy, đặc biệt trong dữ liệu chuỗi thời gian.

Hệ số chặn (β₀) trong mô hình hồi quy bội biểu thị giá trị trung bình dự kiến của biến phụ thuộc khi tất cả các biến giải thích trong mô hình đều có giá trị bằng 0. Tuy nhiên, ý nghĩa thực tế có thể phụ thuộc vào việc giá trị 0 của các biến giải thích có ý nghĩa hay không trong ngữ cảnh cụ thể.

R-squared (hệ số xác định) cho biết tỷ lệ phần trăm phương sai tổng cộng của biến phụ thuộc được giải thích bởi các biến giải thích trong mô hình hồi quy. Nó đo lường mức độ phù hợp của mô hình với dữ liệu.

Giá trị p-value (probability value) là xác suất quan sát được kết quả kiểm định (hoặc kết quả cực đoan hơn) nếu giả thuyết không (null hypothesis) là đúng. P-value càng nhỏ, bằng chứng chống lại giả thuyết không càng mạnh. Nếu p-value nhỏ hơn mức ý nghĩa α, ta bác bỏ giả thuyết không.

Mô hình tác động cố định (Fixed Effects) loại bỏ ảnh hưởng của các yếu tố không quan sát được (unobserved heterogeneity) mà không thay đổi theo thời gian nhưng khác biệt giữa các đơn vị quan sát (ví dụ: cá nhân, công ty, quốc gia). Bằng cách này, nó giúp kiểm soát sự thiên lệch do bỏ sót biến (omitted variable bias) gây ra bởi các yếu tố không quan sát được này.

Phương pháp biến công cụ (IV) là một kỹ thuật kinh tế lượng được sử dụng để ước lượng các mối quan hệ nhân quả khi có tính nội sinh. Tính nội sinh xảy ra khi có sự tương quan giữa biến giải thích và sai số, làm cho ước lượng OLS trở nên chệch và không nhất quán. Biến công cụ là một biến có tương quan với biến giải thích nội sinh nhưng không tương quan với sai số.

Khoảng tin cậy (confidence interval) cho một hệ số hồi quy được xây dựng dựa trên ước lượng điểm của hệ số (từ OLS) và sai số chuẩn của ước lượng đó. Khoảng tin cậy cung cấp một phạm vi giá trị mà ta tin rằng giá trị thực tế của hệ số nằm trong đó với một mức độ tin cậy nhất định (ví dụ 95%).

Thí nghiệm tự nhiên (natural experiment) là một tình huống trong thực tế, không phải do nhà nghiên cứu chủ động tạo ra, mà trong đó một sự kiện, chính sách hoặc thay đổi bên ngoài tạo ra sự phân bổ gần như ngẫu nhiên vào nhóm 'can thiệp' và nhóm 'đối chứng'. Thí nghiệm tự nhiên cung cấp cơ hội để nghiên cứu tác động nhân quả của sự kiện hoặc chính sách đó một cách tự nhiên.

Sai sót đặc tả mô hình xảy ra khi mô hình hồi quy không được xây dựng đúng, ví dụ như bỏ sót các biến giải thích quan trọng (omitted variable bias) hoặc đưa vào các biến không liên quan (inclusion of irrelevant variables), hoặc sử dụng dạng hàm sai (incorrect functional form). Điều này dẫn đến ước lượng chệch và không nhất quán.

Ý nghĩa thống kê của một hệ số hồi quy được xác định bằng cách sử dụng kiểm định giả thuyết, thường là kiểm định t (cho hệ số riêng lẻ) hoặc kiểm định F (cho nhóm hệ số). Giá trị p-value (xác suất p) cho biết mức ý nghĩa. Nếu p-value nhỏ hơn mức ý nghĩa (ví dụ 0.05), ta bác bỏ giả thuyết hệ số bằng 0, và kết luận hệ số có ý nghĩa thống kê.

Lỗi loại I (Type I error), còn gọi là lỗi 'bác bỏ đúng', xảy ra khi ta bác bỏ giả thuyết không (null hypothesis) khi nó thực sự đúng. Xác suất mắc lỗi loại I được ký hiệu là α (mức ý nghĩa).

Sai số chuẩn (standard error) của hệ số hồi quy đo lường độ chính xác của ước lượng hệ số. Nó là ước tính của độ lệch chuẩn của phân phối lấy mẫu của hệ số ước lượng. Sai số chuẩn nhỏ cho thấy ước lượng hệ số chính xác hơn.

Vấn đề nhân quả (causality problem) là một thách thức lớn trong kinh tế lượng ứng dụng. Nó đề cập đến khó khăn trong việc phân biệt mối quan hệ tương quan (correlation) và mối quan hệ nhân quả (causation). Tương quan không ngụ ý nhân quả, và việc xác định nhân quả đòi hỏi các phương pháp và kỹ thuật kinh tế lượng đặc biệt (ví dụ: biến công cụ, thí nghiệm tự nhiên, thiết kế nghiên cứu chặt chẽ).

Biến giả, hay còn gọi là biến chỉ báo, là biến định lượng được sử dụng để biểu diễn các thuộc tính định tính (categorical variables) như giới tính, khu vực địa lý, tình trạng hôn nhân, v.v. Biến giả thường nhận giá trị 0 hoặc 1 để phân biệt các nhóm hoặc trạng thái khác nhau.

Một biến công cụ hợp lệ phải thỏa mãn hai điều kiện chính: (1) Tính liên quan (relevance): Nó phải có tương quan mạnh với biến giải thích nội sinh. (2) Tính ngoại sinh (exogeneity): Nó không được tương quan với sai số trong phương trình cấu trúc. Điều này đảm bảo rằng biến công cụ chỉ tác động đến biến phụ thuộc thông qua biến giải thích nội sinh.

Phương pháp sai phân trong sai phân (Difference-in-Differences - DID) là một kỹ thuật kinh tế lượng được sử dụng rộng rãi để ước lượng tác động nhân quả của một chính sách hoặc can thiệp. DID so sánh sự thay đổi theo thời gian của kết quả giữa nhóm can thiệp (nhóm chịu tác động của chính sách) và nhóm đối chứng (nhóm không chịu tác động), trước và sau khi chính sách được thực hiện.

Mô hình sai phân bậc nhất (First Differences) lấy sai phân của các biến theo thời gian để loại bỏ tác động của các yếu tố không quan sát được không đổi theo thời gian và khác biệt giữa các đơn vị. Điều này tương tự như mô hình tác động cố định nhưng có thể phù hợp hơn trong một số trường hợp, đặc biệt khi có ít thời kỳ quan sát.

Biến phụ thuộc, còn gọi là biến được giải thích (explained variable) hoặc biến hồi quy (regressand), là biến mà giá trị của nó được dự đoán hoặc giải thích bởi các biến khác trong mô hình kinh tế lượng.

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

Kiểm định nghiệm đơn vị (Unit Root Test), ví dụ như kiểm định Dickey-Fuller hoặc Augmented Dickey-Fuller (ADF), được sử dụng để kiểm tra xem một chuỗi thời gian có tính dừng hay không. Nghiệm đơn vị là dấu hiệu của tính không dừng (non-stationarity). Nếu chuỗi có nghiệm đơn vị, nó thường cần được biến đổi (ví dụ: lấy sai phân) để trở thành dừng trước khi phân tích tiếp.

Tính dừng (stationarity) là một thuộc tính quan trọng của chuỗi thời gian. Một chuỗi thời gian dừng khi các đặc tính thống kê của nó, như trung bình, phương sai và hàm tự tương quan, không thay đổi theo thời gian. Tính dừng là cần thiết để áp dụng nhiều phương pháp phân tích chuỗi thời gian và đảm bảo các kết quả ước lượng là đáng tin cậy.

Hệ số của biến giả trong mô hình hồi quy biểu thị sự khác biệt về giá trị trung bình của biến phụ thuộc giữa nhóm tham chiếu (nhóm mà biến giả bằng 0) và nhóm được biểu diễn bởi biến giả (nhóm mà biến giả bằng 1), giữ các yếu tố khác không đổi. Nó cho biết tác động của việc thuộc về nhóm này so với nhóm kia lên biến phụ thuộc.

Các giả định CLRM bao gồm: sai số có trung bình 0, phương sai sai số không đổi, không tự tương quan, không đa cộng tuyến hoàn hảo, và sai số không tương quan với biến giải thích. Giả định biến giải thích có phân phối chuẩn không phải là giả định CLRM.

Khi có phương sai sai số thay đổi, ước lượng OLS vẫn không chệch và nhất quán, nhưng không còn hiệu quả (phương sai không nhỏ nhất). Quan trọng hơn, phương sai và độ lệch chuẩn ước lượng của các hệ số trở nên không tin cậy, dẫn đến kiểm định giả thuyết và khoảng tin cậy không còn chính xác.

Khi kiểm định Breusch-Pagan (hoặc White) phát hiện phương sai sai số thay đổi, ước lượng OLS không còn hiệu quả. Phương pháp GLS hoặc WLS (trường hợp đặc biệt của GLS khi phương sai sai số đã biết) là những phương pháp hiệu quả hơn để ước lượng trong tình huống này.

Mô hình AR(p) là mô hình tự hồi quy bậc p (Autoregressive model of order p). Trong mô hình AR(p), giá trị hiện tại của chuỗi thời gian được hồi quy lên p giá trị quá khứ của chính nó. Ví dụ, AR(1) biểu diễn giá trị hiện tại như một hàm tuyến tính của giá trị kỳ trước cộng với một sai số ngẫu nhiên.