Đề thi, bài tập trắc nghiệm online Kinh tế lượng – Đề 7

Mô hình Probit và Logit đều là mô hình hồi quy cho biến phụ thuộc nhị phân, nhưng chúng khác nhau chủ yếu ở dạng hàm phân phối tích lũy được sử dụng. Mô hình Probit sử dụng hàm phân phối chuẩn tích lũy, còn mô hình Logit sử dụng hàm phân phối logistic tích lũy.

Phương pháp GMM (Generalized Method of Moments) là một phương pháp ước lượng tổng quát dựa trên việc tối thiểu hóa khoảng cách giữa các moment mẫu (sample moments) và moment lý thuyết (population moments) được suy ra từ mô hình. GMM có thể áp dụng cho cả mô hình tuyến tính và phi tuyến, và không nhất thiết phải giả định phân phối cụ thể của sai số.

Bootstrap là một phương pháp lấy mẫu lại (resampling) được sử dụng để ước lượng phương sai, sai số chuẩn và khoảng tin cậy của các thống kê khi phân phối lý thuyết của chúng không xác định hoặc không tuân theo phân phối chuẩn. Bootstrap dựa trên việc tạo ra nhiều mẫu giả lập từ mẫu gốc và tính toán thống kê trên các mẫu giả lập này.

Mô hình hồi quy logit được sử dụng khi biến phụ thuộc là biến định tính nhị phân (binary), tức là chỉ nhận hai giá trị (ví dụ: 0 hoặc 1, thành công hoặc thất bại, có hoặc không). Mô hình logit ước lượng xác suất của một sự kiện xảy ra.

Mô hình Fixed Effects (FE) kiểm soát các hiệu ứng cố định, tức là các yếu tố không quan sát được, bất biến theo thời gian nhưng thay đổi giữa các đối tượng. FE loại bỏ thiên lệch do bỏ sót biến nếu các yếu tố không quan sát được này có tương quan với các biến độc lập trong mô hình.

Hàm liên kết (link function) trong GLM liên kết giá trị kỳ vọng của biến phụ thuộc (sau khi qua một hàm phân phối phù hợp với bản chất biến phụ thuộc) với tổ hợp tuyến tính của các biến độc lập. Ví dụ, trong mô hình logit, hàm liên kết là hàm logit (log odds).

R-squared (R²) đo lường tỷ lệ phần trăm phương sai tổng cộng của biến phụ thuộc được giải thích bởi các biến độc lập trong mô hình hồi quy. Giá trị R² càng cao cho thấy mô hình phù hợp với dữ liệu càng tốt.

Khi biến độc lập là biến trễ của biến phụ thuộc, nếu sai số có tự tương quan, biến trễ của biến phụ thuộc có thể tương quan với sai số hiện tại, gây ra tính nội sinh. Điều này làm cho ước lượng OLS không nhất quán. Trong trường hợp này, cần sử dụng các phương pháp như biến công cụ hoặc GMM cho dữ liệu động.

'Within estimator' là một tên gọi khác của Fixed Effects estimator trong phân tích dữ liệu bảng. Nó tập trung vào sự biến thiên 'trong' mỗi đối tượng theo thời gian, loại bỏ tác động của các yếu tố cố định không đổi theo thời gian.

Phương pháp biến công cụ (IV) được sử dụng khi có tính nội sinh, tức là khi biến độc lập có tương quan với sai số, dẫn đến ước lượng OLS bị chệch và không nhất quán. Biến công cụ phải có tương quan với biến độc lập nội sinh nhưng không tương quan với sai số.

Phương pháp 'difference-in-differences' (DID) là một phương pháp bán thực nghiệm (quasi-experimental) được sử dụng để ước lượng tác động nhân quả của một chính sách hoặc can thiệp. DID so sánh sự thay đổi theo thời gian trong kết quả giữa nhóm được can thiệp (treatment group) và nhóm không được can thiệp (control group), trước và sau khi can thiệp xảy ra.

Biến giả là biến định lượng được tạo ra để biểu diễn các biến định tính (categorical variables) trong mô hình hồi quy. Chúng thường nhận giá trị 0 hoặc 1 để phân biệt các nhóm khác nhau.

Kiểm định Dickey-Fuller (DF test) là một kiểm định thống kê được sử dụng để kiểm tra sự hiện diện của nghiệm đơn vị (unit root) trong chuỗi thời gian, từ đó đánh giá tính dừng của chuỗi. Giả thuyết null của kiểm định DF là chuỗi có nghiệm đơn vị (không dừng).

Kiểm định Hausman kiểm tra xem có sự khác biệt đáng kể giữa ước lượng FE và RE hay không. Giả thuyết null của kiểm định Hausman là không có sự khác biệt hệ thống giữa hai ước lượng (tức là RE nhất quán). Nếu bác bỏ H0, ta chọn FE; nếu không bác bỏ H0, ta có thể chọn RE (hiệu quả hơn nếu RE nhất quán).

Lỗi loại I là lỗi bác bỏ giả thuyết null (H0) trong khi H0 thực sự đúng. Mức ý nghĩa (alpha) của kiểm định chính là xác suất mắc lỗi loại I.

Phương pháp 'Regression Discontinuity Design' (RDD) là một phương pháp bán thực nghiệm được sử dụng khi can thiệp hoặc chính sách được quyết định dựa trên một ngưỡng xác định của một biến chỉ định (running variable). RDD khai thác sự ngẫu nhiên 'giả' xung quanh ngưỡng để ước lượng tác động nhân quả của can thiệp bằng cách so sánh kết quả ngay trên và ngay dưới ngưỡng.

Mô hình hồi quy phân vị (Quantile Regression) không ước lượng giá trị trung bình hay trung vị của biến phụ thuộc, mà ước lượng các phân vị có điều kiện của biến phụ thuộc, tức là tác động của biến độc lập lên các phân vị khác nhau của phân phối biến phụ thuộc (ví dụ: phân vị thứ 25, 50, 75...). Điều này cho phép nghiên cứu tác động khác nhau ở các phần khác nhau của phân phối.

'Omitted variable bias' (thiên lệch do bỏ sót biến) xảy ra khi chúng ta bỏ sót một biến quan trọng trong mô hình hồi quy, và biến này có tương quan với cả biến độc lập đã đưa vào và biến phụ thuộc. Điều này làm cho ước lượng OLS bị chệch và không nhất quán.

Heteroscedasticity không làm cho ước lượng OLS bị chệch hoặc không nhất quán, nhưng nó làm cho ước lượng phương sai của hệ số hồi quy không còn hiệu quả (không nhỏ nhất) và các kiểm định giả thuyết trở nên không tin cậy nếu sử dụng phương sai OLS tiêu chuẩn.

Tự tương quan bậc nhất (AR(1)) xảy ra khi sai số ở kỳ hiện tại có tương quan với sai số ở kỳ trước đó. Trong mô hình AR(1), sai số tại thời điểm t (εt) phụ thuộc vào sai số tại thời điểm t-1 (εt-1), ví dụ: εt = ρεt-1 + vt, với |ρ| < 1 và vt là sai số trắng.

Kiểm định Breusch-Pagan là một kiểm định thống kê được sử dụng để kiểm tra sự hiện diện của phương sai sai số thay đổi (heteroscedasticity) trong mô hình hồi quy tuyến tính. Giả thuyết null của kiểm định Breusch-Pagan là phương sai sai số không đổi (homoscedasticity).

Giá trị P là xác suất để quan sát được kết quả kiểm định (hoặc kết quả cực đoan hơn) nếu giả thuyết null là đúng. Giá trị P nhỏ cho thấy bằng chứng chống lại giả thuyết null mạnh mẽ hơn.

CLRM giả định biến phụ thuộc có thể định lượng, không yêu cầu phải là biến định tính. Các giả định khác (giá trị trung bình sai số bằng 0, phương sai không đổi, không tự tương quan) là các giả định cơ bản của CLRM.

Đa cộng tuyến xảy ra khi có mối tương quan tuyến tính mạnh giữa hai hoặc nhiều biến độc lập trong mô hình hồi quy.

Một chuỗi thời gian được gọi là dừng nếu các đặc tính thống kê của nó (như trung bình, phương sai, tự tương quan) không thay đổi theo thời gian. Tính dừng là một yêu cầu quan trọng để áp dụng nhiều phương pháp phân tích chuỗi thời gian.

Sai số đặc tả (specification error) xảy ra khi mô hình được xây dựng không đúng, ví dụ như bỏ sót biến quan trọng (omitted variable bias) hoặc đưa vào biến không liên quan, hoặc chọn sai dạng hàm (functional form).

Sai số đo lường trong biến độc lập thường gây ra thiên lệch suy giảm (attenuation bias), tức là ước lượng hệ số hồi quy bị suy giảm và tiến gần về 0 so với giá trị thực tế. Điều này làm cho tác động của biến độc lập bị đánh giá thấp hơn thực tế.

Mô hình VAR (Vector Autoregression) phù hợp khi chúng ta muốn mô hình hóa mối quan hệ động giữa nhiều biến nội sinh cùng một lúc. VAR coi tất cả các biến trong hệ thống là nội sinh và cho phép chúng tác động qua lại lẫn nhau theo thời gian.

Phương pháp First Differences (FD) loại bỏ tác động của các hiệu ứng cố định (fixed effects) bất biến theo thời gian nhưng thay đổi giữa các đối tượng (individuals, firms, countries...). FD tính sai phân bậc nhất của các biến, loại bỏ các yếu tố không đổi theo thời gian.

GLS là phương pháp hồi quy được sử dụng để khắc phục các vi phạm giả định của CLRM, đặc biệt là khi có phương sai sai số thay đổi hoặc tự tương quan, giúp ước lượng hiệu quả hơn.