(Tiểu luận FTU) lý thuyết, mô hình kinh tế, xác định dấu, mô hình kinh tế lượng

I.Lý thuyết, mô hình kinh tế, xác định dấu, mô hình kinh tế lượng * Ta có khái niệm các biến số như sau: qdpass : tổng quĩ tiền gửi tiết kiệm được gửi trong các tài khoản tại S&Ls tại nư

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG

KHOA KINH TẾ QUỐC TẾ

BÀI TẬP KINH TẾ LƯỢNG

Giảng viên hướng dẫn: ThS Đặng Thái Long

Lớp KTE309.5 Nhóm thực hiện bao gồm:

Nguyễn Thanh Minh 1211110445

Lê Đức Quyết 1211110552 Lùng Thị Ngọc Ánh 1111510019 Nguyễn Thị Thùy Dương 1111510029

Hà Nội, tháng 4 năm 2014

I.Lý thuyết, mô hình kinh tế, xác định dấu, mô hình kinh tế lượng

* Ta có khái niệm các biến số như sau:

qdpass : tổng quĩ tiền gửi tiết kiệm được gửi trong các tài khoản tại S&Ls tại nước Mĩ (là các tiền gửi tiết kiệm, có kỳ hạn, lãi suất thấp và không thể viết séc)

qydus: thu nhập khả dụng của nước Mĩ tại quí t, tính theo giá trị danh nghĩa qyperm: thu nhập khả dụng của nước Mĩ tại quí t, tính theo giá trị thực tế branch: số các chi nhánh của S&Ls tại quí t

qrdpass: lãi suất trung bình của các tài khoản tiền gửi tạ S&L qrtb3y: lãi suất trung bình của tín phiếu chính phủ kỳ hạn 3 tháng expinf: tỷ lệ lạm phát dự kiến

spread: chênh lệch lãi suất tài khoản tiết kiệm và tín phiếu chính phủ

* Mô tả dữ liệu

1 Tóm tắt thống kê số liệu

2 Ma trận hệ số tương quan

* Theo như lý thuyết kinh tế trong nghiên cứu về vĩ mô học ta có quan điểm sau đây -Khi thu nhập khả dụng của Mĩ tăng lên thì cả tiêu dùng và tiết kiệm của Mĩ sẽ đều tăng lên, tiết kiệm của Mĩ tăng lên MPS đô la khi thu nhập khả dụng tăng lên 1 đô la với 0< MPS<1=> ta có thể giả định là khi thu nhập khả dụng tăng lên 1 đơn vị thì tổng quĩ tiền gửi tiết kiệm tại S&Ls sẽ tăng lên MPS* đơn vị ( với 0<MPS*<MPS<1 do tiết kiệm của dân chúng không chỉ là các khoản tiền gửi tại S&Ls mà còn các khoản tiền gửi có khả năng viết séc, dự trữ tại nhà,

=> ta có thể coi là biến qydus và qyperm đều có ảnh hưởng tới biến qdpass với hệ số của qydus và qyperm sẽ được dự đoán là lớn hơn 0 và nhỏ hơn 1

*Theo như lý thuyết kinh tế vĩ mô ta có quan điểm sau:

Khi lạm phát tăng cao lên thì khoản lãi thực tế thu được sẽ giảm đi vì lãi suất thực tế = lãi suất danh nghĩa- tỷ lệ lạm phát dự kiến, trong khi đó lãi suất danh nghĩa của các khoản tiền gửi tại S&Ls lại tương đối ổn định Như vậy khi lạm phát dự dự kiến tăng lên thì sẽ khiến người dân sẽ lựa chọn hình thức gửi tiết kiệm có mang lại lãi suất danh nghĩa cao hơn Do lãi suất của S&Ls không thay đổi nhiều, nên có thể dự đoán lạm phát tăng lên người dân sẽ rút tiền ra khỏi S&Ls

=> ta có thể dự đoán là biến expinf có ảnh hưởng nghịch chiều đến biến qdpass

* Lỹ thuyết kinh tế vĩ mô cho thấy:

Chi phí đi lại, chi phí giao dịch cũng có ảnh hưởng rất lớn đến việc người dân có tăng hay giảm tiền gửi vào S&Ls Khi số lượng chi nhánh S&L tăng lên, chi phí đi lại sẽ giảm đi, sẽ làm cho lượng tiền gửi đến S&Ls sẽ tăng lên

=> có thể cho rằng biến branch có ảnh hưởng thuận chiều đến biến qdpass

* Theo lý thuyết nghiên cứu của bộ môn tài chính tiền tệ có một quan điểm khác:

Lượng tiền gửi vào S&Ls chịu ảnh hưởng của chênh lệch lãi suất giữa nó và các khoản tiết kiệm khác Nếu chênh lệch này tăng lên, chi phí cơ hội của việc gửi vào S&Ls sẽ giảm đi, vì vậy người dân sẽ rút tiền từ các kênh tiết kiệm khác để đưa vào tài khoản S&Ls

=> có thể cho rằng biến spread có ảnh hưởng thuận chiều đến biến qdpass

* Ta có mô hìnhlý thuyết kinh tế như sau:

QDPASS=f(qydus, pyperm,branch,expinf,spread)

* Ta có mô hình kinh tế lượng như sau:

* hồi qui mô hình bằng phương pháp OLS

*Ta có các hệ số ước lượng như sau:

Sử dụng giá trị Pvalue+ Nếu pi value< =5% thì hệ số bi (i=2,3,4,5,6) có ý nghĩa về mặt thống kê ở mức =5%

và ngược lại+ Theo như bảng trên ta có tất cả các ước lượng của các hệ số hồi qui đều có ý nghĩa thống

kê ở mức ý nghĩa =5% trừ ước lượng của hệ số hồi qui ứng với biến số expinfIII.2Kiểm mức độ phù hợp của mô hình:

Kiểm định hệ giả thuyết thống kê

Sử dụng giá trị pvalue

+ Nếu p value(F)< =5% thì mô hình có ý nghĩa về mặt thống kê ở mức =5% và ngược lại

Ta có pvalue(F)=0.0000< 5%=> mô hình hồi qui phù hợp ở mức ý nghĩa 5%

IV Kiểm định bỏ biến và bỏ biến nếu cần thiết

Do biến expinf không có ý nghĩa về mặt thống kê nên ta muốn kiểm định xem có bỏ được

biến expinf ra khỏi mô hình hay không

Ta hồi qui mô hình sau:

và mô hình sau:

ta xét hệ giả thuyết sau:

F(1, 34) right-tail probability = 0.05 complementary probability = 0.95

Critical value = 4.13002

*sử dụng kiểm định Fisher ta có: =0.2439<

=4.13002(với m=1;n=40;k=6)=> không có cơ sở bác bỏ H0=> mô hình ban đầu có thể bỏ được biến expinf

*Vậy ta xét mô hình sau đây sau khi bỏ biến expinf

V Kiểm định đa cộng tuyến và sửa lỗi mô hình khi có hiện tượng đa cộng tuyến V.1 Kiểm định đa cộng tuyến

Ta xét mô hình

Ta xét mô hình gốc

Ta xét mô hình sau khi bỏ biến qyperm

* Kết luận chung: dựa vào R2 hiệu chỉnh, ta lựa chọn bỏ biến pydus

VI Kiểm định phương sai sai số thay đổi và sửa lỗi phương sai sai số thay đổixét mô hình

VI.1 Kiểm định phương sai sai số thay đổi

ta thấy pvalue>5%=> mô hình không có hiện tượng phương sai sai số thay đổiVI.1.3 sử dụng kiểm định white

ta xét mô hình sau

Ta có pvalue(F)=0.2608>5%=> chưa có cơ sở để bác bỏ H0=> mô hình có phương sai sai

số không đổi

Skewness/Kurtosis tests for Normality - joint - Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -+ -

tsset time time variable: time, 1970q1 to 1979q4 delta: 1 quarter

estat dwatson

Durbin-Watson d-statistic( 5, 40) = .586029

=> mô hình có tự tương quan: tương quan thuận chiều dươngVIII.1.2 sử dụng kiểm định BG

estat bgodfrey, lags(1 2)

Breusch-Godfrey LM test for autocorrelation - lags(p) | chi2 df Prob > chi2 -+ -

1 | 20.664 1 0.0000

2 | 21.092 2 0.0000 - H0: no serial correlation

.=> có tự tương quanVIII.2 Khắc phục tự tương quan prais conpk pripk pribf ydusp d1 d2 d3, robust

IX Xác định mô hình tốt nhấtQua kiểm nghiệm ta chọn được 2 mô hình tốt nhất như sau

vif

Variable | VIF 1/VIF -+ - qydus | 1.38 0.724789 spread | 1.38 0.724789 -+ - Mean VIF | 1.38

+mô hình có phần dư phân phối chuẩn do pvalue=0.3286>5%

sktest r1

Skewness/Kurtosis tests for Normality - joint - Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -+ -

r1 | 40 0.1488 0.9719 2.23 0.3286+mô hình không có phương sai sai số thay đổi do pvalue=0.3938>5%

estat bgodfrey, lags(1 2)

Breusch-Godfrey LM test for autocorrelation - lags(p) | chi2 df Prob > chi2 -+ -

1 | 29.108 1 0.0000

2 | 29.481 2 0.0000 - H0: no serial correlation

2 Mô hình

Tương tự như trên ta có

+mô hình có các hệ số đều có ý nghĩa thống kê ở mức 5%

+pvalue(F)=0.0000<5%=> mô hình phù hợp ở mức ý nghĩa 5%

+mô hình không có đa cộng tuyến ở mức cao vif

qyperm | 1.37 0.731071 spread | 1.37 0.731071 -+ - Mean VIF | 1.37

-+ -+mô hình có phần dư phân phối chuẩn sktest r3

Skewness/Kurtosis tests for Normality - joint - Variable | Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2 -+ -

Breusch-Godfrey LM test for autocorrelation - lags(p) | chi2 df Prob > chi2 -+ -

1 | 30.563 1 0.0000

2 | 31.468 2 0.0000 - H0: no serial correlation

BÀI 2 : LƯỢNG CẦU THỊT LỢN

I) Dự đoán

1. Các biến trong mô hình

CONPKt : lượng tiêu thụ thịt lợn/ người ở mỹ trong quý tPRIPKt : giá 1 cân thịt lợn (dollars/100 pounds) trong quý tPRIBFt : giá 1 cân thịt bò (dollars/100 pounds) trong quý tYDUSPt : thu nhập bình quân đầu người ở mỹ quý tLYDUSPt : log của thu nhập

PROPKt : lượng thịt sản xuất ở mỹ quý t D1t : biến giả (1- quý 1; 0- quý khác)

D2t :biến giả (1- quý 2; 0- quý khác)D3t:: biến giả (1- quý 3; 0- quý khác)

2 Dấu dự kiến

Tên biến Mô tả Dấu dự

kiến Diễn giải

YDUSPt Thu nhập bình quân đầu

người ở Mỹ trong quý t

+ Thu nhập tăng thì nhu cầu tiêu

Mỹ trong quý t + Lượng cung tăng làm giá thịt giảm và trong ngắn hạn làm

lượng cầu tăng

ydusp 0.5739 0.7586 0.8846 0.6044 1.0000 propk 0.9889 0.1656 0.7076 1.0000

pribf 0.6828 0.7082 1.0000 pripk 0.1104 1.0000

conpk 1.0000 conpk pripk pribf propk ydusp (obs=40)

corr conpk pripk pribf propk ydusp _cons 4.981249 .8910434 5.59 0.000 3.166253 6.796245 d3 0028719 .1304003 0.02 0.983 -.2627449 .2684887 d2 -.3599758 .1160297 -3.10 0.004 -.5963206 -.123631 d1 0042997 .0968486 0.04 0.965 -.1929745 .2015739 ydusp 0429571 .0330689 1.30 0.203 -.0244019 .1103162 propk 3.092724 .2209514 14.00 0.000 2.642661 3.542788 pribf 0066684 .0028347 2.35 0.025 0008943 .0124425 pripk -.017923 .0047321 -3.79 0.001 -.027562 -.008284 conpk Coef Std Err t P>|t| [95% Conf Interval]

Total 96.8320021 39 2.48287185 Root MSE = .1574 Adj R-squared = 0.9900 Residual .792780717 32 024774397 R-squared = 0.9918 Model 96.0392214 7 13.7198888 Prob > F = 0.0000 F( 7, 32) = 553.79 Source SS df MS Number of obs = 40 reg conpk pripk pribf propk ydusp d1 d2 d3

Theo bảng trên, ta nhận thấy có sự tương quan giữa 2 biến CONPK

và PROPK Vì vậy, ta chạy hồi quy phụ của 2 biến trên :

_cons 2.394798 .3070885 7.80 0.000 1.77313 3.016466 propk 3.529801 .0860321 41.03 0.000 3.355638 3.703964 conpk Coef Std Err t P>|t| [95% Conf Interval]

Total 96.8320021 39 2.48287185 Root MSE = 23718 Adj R-squared = 0.9773 Residual 2.13760892 38 056252866 R-squared = 0.9779 Model 94.6943932 1 94.6943932 Prob > F = 0.0000 F( 1, 38) = 1683.37 Source SS df MS Number of obs = 40 reg conpk propk

Xét R-squared = 0.9779 tức là có sự đa cộng tuyến giữa 2 biến

Chạy 2 mô hình với 1 mô hình sử dụng biến YDUSP và 1 mô hình sử dụng biến LYDUSP:

_cons 16.99717 .6276076 27.08 0.000 15.7203 18.27405 d3 -1.529973 .1860527 -8.22 0.000 -1.9085 -1.151446 d2 -1.63396 .1891289 -8.64 0.000 -2.018746 -1.249175 d1 -.9170877 .1866971 -4.91 0.000 -1.296926 -.5372496 ydusp 2250244 .0799022 2.82 0.008 0624621 .3875867 pribf 0415561 .0035486 11.71 0.000 0343365 .0487757 pripk -.0767559 .0057135 -13.43 0.000 -.0883801 -.0651316 conpk Coef Std Err t P>|t| [95% Conf Interval]

Total 96.8320021 39 2.48287185 Root MSE = 41366 Adj R-squared = 0.9311 Residual 5.64669366 33 171111929 R-squared = 0.9417 Model 91.1853085 6 15.1975514 Prob > F = 0.0000 F( 6, 33) = 88.82 Source SS df MS Number of obs = 40 reg conpk pripk pribf ydusp d1 d2 d3

_cons 15.04305 .6719388 22.39 0.000 13.67598 16.41012 lydusp 2.121156 .6380941 3.32 0.002 8229442 3.419368 d3 -1.516465 .1795406 -8.45 0.000 -1.881743 -1.151187 d2 -1.616533 .1826179 -8.85 0.000 -1.988072 -1.244994 d1 -.8913808 .1805539 -4.94 0.000 -1.25872 -.5240411 pribf 0387575 .0038357 10.10 0.000 0309538 .0465613 pripk -.0768579 .0054226 -14.17 0.000 -.0878903 -.0658255 conpk Coef Std Err t P>|t| [95% Conf Interval]

Total 96.8320021 39 2.48287185 Root MSE = 39874 Adj R-squared = 0.9360 Residual 5.24686421 33 158995885 R-squared = 0.9458 Model 91.5851379 6 15.2641897 Prob > F = 0.0000 F( 6, 33) = 96.00 Source SS df MS Number of obs = 40 reg conpk pripk pribf d1 d2 d3 lydusp

So sánh 2 mô hình :

Note: N=Obs used in calculating BIC; see [R] BIC note

40 -74.4395 -17.60136 7 49.20271 61.02487 Model Obs ll(null) ll(model) df AIC BIC estat ic

( chạy với YDUSP)

Note: N=Obs used in calculating BIC; see [R] BIC note

40 -74.4395 -16.13256 7 46.26513 58.08728 Model Obs ll(null) ll(model) df AIC BIC estat ic

( chạy với LYDUSP) Nhận xét:

- ll(model) của LYDUSP > ll(model) của YDUSP

- AIC và BIC của LYDUSP < AIC và BIC của YDUSP

 Chọn và sử dụng biến LYDUSP

Mô hình với biến LYDUSP :

CONPKt=β1+β2 PRIPKt+β3PRIBFt+β4LYDUSPt+β5D1+β6D2+β7D3 + ut

_cons 15.04305 .6719388 22.39 0.000 13.67598 16.41012 lydusp 2.121156 .6380941 3.32 0.002 8229442 3.419368 d3 -1.516465 .1795406 -8.45 0.000 -1.881743 -1.151187 d2 -1.616533 .1826179 -8.85 0.000 -1.988072 -1.244994 d1 -.8913808 .1805539 -4.94 0.000 -1.25872 -.5240411 pribf 0387575 .0038357 10.10 0.000 0309538 .0465613 pripk -.0768579 .0054226 -14.17 0.000 -.0878903 -.0658255 conpk Coef Std Err t P>|t| [95% Conf Interval]

Total 96.8320021 39 2.48287185 Root MSE = 39874 Adj R-squared = 0.9360 Residual 5.24686421 33 158995885 R-squared = 0.9458 Model 91.5851379 6 15.2641897 Prob > F = 0.0000 F( 6, 33) = 96.00 Source SS df MS Number of obs = 40 reg conpk pripk pribf d1 d2 d3 lydusp

II) Kiểm định mô hình

Dựa vào kết quả hồi quy, ta thu được mô hình hồi quy như sau :

CONPKt=15.04305 - 0.0768579PRIPKt+0.0387575PRIBFt+2.121156LYDUSPt

-0.8913808D1 - 1.616533D2 - 1.516465D3 + ut

1 Ý nghĩa thống kê của các hệ số hồi quy

Qua quan sát ở bảng hồi quy mô hình, ta có thể dễ dàng nhận thấy tất

cả các biến đều có P-value <0.05 , vì vậy có thể nói tất cả cá biến cố định ở trên đều có ý nghĩa thống kê.

2 Kiểm định xem xét các khuyết tật

- Đa cộng tuyến

d3 1.52 0.657657 d1 1.54 0.650296 d2 1.57 0.635679 pripk 2.41 0.414079 pribf 6.01 0.166398 lydusp 6.83 0.146363 Variable VIF 1/VIF vif