kinh te luong le kim long ktl nhom8 cuuduongthancong com

Để hiểu rõ hơn, nhóm chúng em xin được xây dựng bài Báo cáo kinh tế lượng phân tích những số liệu thống kê nằm trong bộ số liệu số 30 về tiền lương và bộ số liệu số 78 về chi tiêu hộ gia

BÁO CÁO KINH TẾ LƯỢNG

NHÓM 3- THỰC HIỆN NGHIÊN CỨU BỘ DỮ LIỆU SỐ 30 - 78

MỤC LỤC

Lời mở đầu 4

Bộ số 30 5

I Mô hình lý thuyết: 5

1 Vấn đề nghiên cứu và mô hình lý thuyết: 5

2 Mục đích và lý do lựa chọn các biến: 7

3 Mối quan hệ từng biến độc lập với biến phụ thuộc: 7

II Chạy mô hình: 11

Mô hình hồi quy: 11

III Kiểm định mô hình: 13

1 Ý nghĩa của hệ số hồi quy 13

2 Kiểm định toàn bộ hệ số hồi quy 14

3 Kiểm định đa ràng buộc tuyến tính: 14

4 Kiểm tra các khuyết tật của mô hình : 16

a Kiểm định đa cộng tuyến: 16

b Kiểm định phương sai sai số thay đổi: 17

c Kiểm định phân phối chuẩn của sai số: 19

d Kiểm định tự tương quan: 21

IV Sửa lỗi mô hình: 21

KẾT LUẬN 23

BỘ SỐ 78 24

I Mô hình lý thuyết: 24

1 Vấn đề nghiên cứu và mô hình lý thuyết: 24

2 Mối quan hệ từng biến độc lập với biến phụ thuộc 26

II Chạy mô hình: 29

Mô hình hồi quy: 29

III Kiểm định mô hình: 31

1 Ý nghĩa của hệ số hồi quy: 31

2 Kiểm định toàn bộ hệ số hồi quy 32

3 Kiểm định đa ràng buộc tuyến tính: 32

4 Kiểm tra các khuyết tật của mô hình : 33

a Kiểm định đa cộng tuyến: 33

b Kiểm định phân phối chuẩn của sai số: 35

c Kiểm định phương sai sai số thay đổi: 36

d Kiểm định tự tương quan: 37

KẾT LUẬN 39

Lời mở đầu

Trong bối cảnh xã hội đang ngày càng phát triển, kinh tế lượng đã và đang là một môn khoa học

có nhiều ứng dụng trong thực tế, đặc biệt là các vấn đề liên quan đến kinh tế Kinh tế lượng cung cấp những công cụ đắc lực giúp các nhà kinh tế học có thể phân tích các số liệu thống kê được thu thập từ đó đưa ra các dự báo về các hiện tượng kinh tế

Xét trên phạm vi các trường đại học thuộc khối ngành kinh tế, bộ môn kinh tế lượng đang trở thành một trong số những bộ môn quan trọng cung cấp những kiến thức về lý thuyết và thực hành giúp cho sinh viên có thể học tập và nghiên cứu những chuyên ngành hẹp của mình Là những sinh viên khối ngành kinh tế, chúng em ý thức rõ được sự cần thiết trong việc học tập và nghiên cứu môn kinh tế lượng

Để hiểu rõ hơn, nhóm chúng em xin được xây dựng bài Báo cáo kinh tế lượng phân tích những số liệu thống kê nằm trong bộ số liệu số 30 về tiền lương và bộ số liệu số 78 về chi tiêu hộ gia đình nhằm đưa ra những phân tích và những dự báo của các yếu tố ảnh hưởng đến hai vấn đề kinh tế này

Chúng em xin chân thành cảm ơn cô Đinh Thị Thanh Bình đã giúp đỡ chúng em thực hiện bài báo cáo này Do kiến thức còn nhiều hạn chế nên bài báo cáo còn nhiều sai sót, chúng em mong nhận được sự góp ý và phê bình của cô để bài báo cáo của nhóm chúng em hoàn thiện hơn

Bộ số 30

I Mô hình lý thuyết:

1 Vấn đề nghiên cứu và mô hình lý thuyết:

Trong bối cảnh nền kinh tế đang trong giai đoạn phục hồi, chúng ta đang có nhiều hơn những cơ hội tìm được việc làm.Đi cùng với đó, mức lương là một vấn đề đang được những người có mong muốn tìm được việc làm quan tâm tới.Có rất nhiều yếu tố sẽ tác động đến mức lương cũng mỗi người Trong bộ số liệu số 30, nhóm đã chọn ra những biến sau để nghiên cứu bao gồm:

des lwage lswage exper highgrad college grad polytech

storage display value

variable name type format label variable label

-

-lwage float %9.0g log(wage)

lswage float %9.0g log(swage)

exper byte %8.0g years on current job

highgrad byte %8.0g =1 if high school graduate

college byte %8.0g =1 if college graduate

grad byte %8.0g =1 if some graduate school

polytech byte %8.0g =1 if a polytech

Các biến sẽ được mô tả chi tiết trong bảng sau:

Tên biến Ý nghĩa Dấu kì

Biến phụ

thuộc(Y)

lwage Logarit cơ số e của mức

lương hiện tại

Các biến độc

lập (Xi)

lswage Logarit cơ số e của mức

Mức lương khởi đầu cao dẫn đến mức lương hiện tại cao

exper Số năm kinh nghiệm trong

công việc hiện tại +

Càng nhiều năm kinh nghiệm lương càng cao

highgrad Tốt nghiệp trung học phổ

thông (biến giả =1 nếu chỉ tốt nghiệp phổ thông,=0 với các trường hợp còn lại)

+

Tốt nghiệp trung học sẽ có mức lương cao hơn những người chưa tốt nghiệp trung học

college Tốt nghiệp đại học (biến giả

=1 nếu tốt nghiệp đại học,=0 với các trường hợp còn lại)

+

Tốt nghiệp đại học sẽ có mức lương cao hơn những người chưa tốt nghiệp trung học

grad Tốt nghiệp cao học (biến

giả, =1 nếu tốt nghiệp cao học, =0 với các trường hợp còn lại)

+

Tốt nghiệp cao học sẽ có mức lương cao hơn những người chưa tốt nghiệp trung học

polytech Tốt nghiệp cao đẳng (biến

giả, =1 nếu tốt nghiệp cao +

Tốt nghiệp cao đẳng sẽ có mức lương cao hơn những

đẳng,=0 với các trường hợp còn lại)

người chưa tốt nghiệp trung học

summarize lwage lswage exper highgrad college grad polytech

Variable | Obs Mean Std Dev Min Max

-+ -

lwage | 403 10.36319 .4018362 9.674074 11.54974 lswage | 403 9.678186 .3551116 9.185022 11.0021 exper | 403 13.51365 1.751101 6 17

highgrad | 403 .4119107 .4927909 0 1

college | 403 .1191067 .3243167 0 1

-+ -

grad | 403 .1191067 .3243167 0 1

polytech | 403 .2704715 .4447555 0 1

2 Mục đích và lý do lựa chọn các biến:

Mục đích của việc lựa chọn mô hình này nhằm tìm hiểu sự tác động của mức lương khởi đầu, số năm kinh nghiệm đối với mức lương hiện tại cùng với việc tìm hiểu sự khác nhau trong mức lương của những người đã tốt nghiệp cấp 3 và cao hơn với những người chưa tốt nghiệp cấp 3

Vì trong thực tế, mối quan hệ giữa các hiện tượng kinh tế hầu hết là mối quan hệ phi tuyến Do đó, nhóm

đã lựa chọn sử dụng hàm log thay cho việc sử dụng hàm tuyến tính để kết quả phân tích có thể chính xác hơn

3 Mối quan hệ từng biến độc lập với biến phụ thuộc:

years on current job

Mối quan hệ giữa lwage và lswage

Mối quan hệ giữa lwage và exper

II Chạy mô hình:

Mô hình hồi quy:

Hàm hồi quy Tổng thể:

Hàm hồi quy Mẫu

reg lwage lswage exper highgrad college grad polytech

Source | SS df MS Number of obs = 403

Ta được hàm hồi quy mẫu SRF:

- Phân tích kết quả hồi quy:

Ý nghĩa các hệ số hồi quy:

1= 0.8330333>0, chứng tỏ khi các yếu tố khác không đổi khi lương khởi điểm swage tăng 1% thì lương hiện tại wage sẽ tăng 0.8330333%

2 = 0.0147612>0, chứng tỏ khi các yếu tố khác không đổi số năm kinh nghiệm tăng lên 1 năm thì lương hiện tại wage sẽ tăng 0.015%

3 = 0.453>0 nhưng p-value = 0.167> 0.05 chứng tỏ biến highgrad không ảnh hưởng đến

sự thay đổi của biến wage

4 = 0,245>0, khi các yếu tố khác không đổi người có trình độ đại học sẽ có tốc độ tăng lương cao hơn người chưa tốt nghiệp trung học 0,245%

0,247>0, khi các yếu tố khác không đổi người có trình độ cao học sẽ có tốc độ tăng lương cao hơn người chưa tốt nghiệp trung học 0,247%

= khi các yếu tố khác không đổi người có trình độ cao đẳng sẽ có tốc đọ tăng lương cao hơn người chưa tốt nghiệp trung học 0,128%

1,9895, các yếu tố khác không đưa vào mô hình nếu tăng thêm 1 đơn vị của giá trị trung bình các yếu tố đó thì lương sẽ tăng thêm 0,0199%

Độ phù hợp của hàm hồi quy:

R2(R-squared)=0,8252 chỉ ra rằng 82,52% sự biến động của lwage là do các biến độc lập gây ra

III Kiểm định mô hình:

1 Ý nghĩa của hệ số hồi quy

3 Kiểm định đa ràng buộc tuyến tính:

Trong kiểm định ta thấy chỉ có biến highgrad có thể bị loại ra khỏi mô hình nhưng đây là một biến thể hiện 1 trong các phạm trù của biến thể hiển trình độ học vấn Ta tiến hành chạy mô hình bị ràng buộc với

q= 4 biến độc lập highgrad, grad, college, polytech bị loại khỏi mô hình trên, tức là chỉ chạy lênh hồi quy với biến độc lập lswage, exper

reg lwage lswage exper

Source | SS df MS Number of obs = 403

Từ 2 bảng hồi quy trên ta có:

(UR) gồm 6 tham số, cóR-squared=0.8252;, n-k-1 = 403-6-1=396 bậc tự do

Bác bỏ H0

Không nên loại các phạm trù thể hiện trình độ học vấn ra ngoài mô hình

4 Kiểm tra các khuyết tật của mô hình :

a Kiểm định đa cộng tuyến:

Mô hình tốt là mô hình phải đạt được các tính chất BLUE (tuyến tính, không chệch, hiệu quả nhất) Tuy nhiên trên thực tế do xây dựng sai mô hình hoặc do bản chất của dữ liệu, dẫn tới mô hình không đạt được đầy đủ các tính chất trên Một trong những vấn đề ảnh hưởng đến mô hình mà ta gọi là vi phạm các giả định, đó là Đa cộng tuyến

Bây giờ chúng ta sẽ khảo sát mô hình có bị đa cộng tuyến hay không

Nếu các biến có tương quan cao với nhau (r > 0.8) thì có thể xảy ra đa cộng tuyến

Sử dụng Stata để tính hệ số tương quan giữa các biến:

corr lswage exper highgrad college grad polytech

Ta thấy VIF đều tương đối nhỏ, như vậy có cơ sở để kết luận mô hình không có đa cộng tuyến

Như vậy cả 2 cách kiểm định đều cho cùng một kết luận: mô hình không có đa cộng tuyến

b Kiểm định phương sai sai số thay đổi:

Một vấn đề khác mà mô hình cũng có thể gặp phải, đó là phương sai của sai số thay đổi.Điều này không ảnh hưởng đến tính không chệch, nhưng làm cho mô hình kém hiệu quả hơn

Bây giờ ta cùng kiểm định xem có xảy ra hiện tượng phương sai sai số thay đổi trong mô hình không

Sử dụng lệnh vẽ đồ thị trong Stata:

White's test for Ho: homoskedasticity

against Ha: unrestricted heteroskedasticity

Từ 2 cách kiểm định trên, ta thấy rằng mô hình không mắc lỗi phương sai sai số thay đổi

c Kiểm định phân phối chuẩn của sai số:

Trong các giả định của mô hình hồi quy tuyến tính, có một giả định quan trọng đó là ui ~ U(0;σ2) Tuy nhiên trên thực tế có nhiều nhân tố ảnh hưởng tới phân phối của ui, làm cho nó không còn phân phối chuẩn nữa.Phân phối không chuẩn khiến cho các kiểm định và suy diễn thống kê không còn đáng tin cậy nữa

Bây giờ ta cùng kiểm định xem mô hình có gặp phải vấn đề phân phối không chuẩn (đối với u và cả biến phụ thuộc) hay không

Sử dụng Stata và vẽ đồ thị phân phối của phần dư trong mô hình:

Nhìn trên đồ thị có thể thấy phân phối của phần dư bị chệch so với phân phối chuẩn.Như vậy có cơ sở để kết luận mô hình đang mắc phải vấn đề phân phối không chuẩn

kernel = epanechnikov, bandwidth = 0.0435

Kernel density estimate

d Kiểm định tự tương quan:

Do dữ liệu trong mô hình là dữ liệu chéo nên không xảy ra tự tương quan Chúng ta có thể bỏ qua bước kiểm định này

e Kiểm định định dạng mô hình:

Sử dụng lệnh ovtest trong stata:

ovtest

Ramsey RESET test using powers of the fitted values of lwage

Ho: model has no omitted variables

Vì biến highgrad không có ảnh hưởng đến lương hiện tại nhưng lại là một phạm trù của biến giả nên ta sửa bằng cách gộp biến highgrad và highdrop thành biến high có ý nghĩa là trình độ học vấn dưới trình độ đại học

Chạy lại mô hình ta được:

gen high= highgrad+ highdrop

reg lwage lswage exper college grad polytech

Source | SS df MS Number of obs = 403

KẾT LUẬN

Như vậy nhóm chúng em đã hoàn thành xong mô hình kinh tế lượng về các yếu tố ảnh hưởng đến mức lương hiện tại Mô hình đã lượng hóa cho các yếu tố để chúng ta có biện pháp, chiến lược tăng lương hiệu quả ( theo mô hình này, cách tốt nhất để có mức lương cao là tăng được lương khởi điểm ban đầu Ngoài ra, sẽ còn nhiều yếu tố ảnh hưởng đến biến phụ thuộc được nghiên cứu chưa được đưa vào

mô hình như giới tính, tình trạng hôn nhân… cần được xem xét để có báo cáo với kết quả chính xác hơn nữa

BỘ SỐ 78

I Mô hình lý thuyết:

1 Vấn đề nghiên cứu và mô hình lý thuyết:

Trong thực tế, việc chi tiêu trong hộ gia đình chịu sự chi phối tác động của nhiều yếu tố trong đó có

thể kể đến như mức thu nhập, số thành viên trong gia đình, tuổi của chủ hộ,… Trong phạm vi nghiên cứu

của mô hình này, nhà nghiên cứu đã xem xét và thu thập số liệu của 7 biến số Tuy nhiên, trong quá trình nghiên cứu, nhóm đã loại bỏ biến save (tiết kiệm) không đưa vào mô hình và chỉ đưa các biến sau đây

Mô tả ý nghĩa các biến :

des cons inc size educ age black

storage display value

variable name type format label variable label

- cons int %9.0g annual consumption, $

inc int %9.0g annual income, $

size byte %9.0g family size

educ byte %9.0g years educ, household head

age byte %9.0g age of household head

black byte %9.0g =1 if household head is black

Các biến sẽ được mô tả chi tiết trong bảng sau:

Tên biến Ý nghĩa Dấu kì

age Tuổi của chủ hộ

- Tuổi càng cao thì chi

tiêu sẽ ít đi educ Trình độ học vấn của

Người có trình độ học vấn cao sẽ chi tiêu ít hơn

black Màu da của chủ hộ

(biến giả, bằng 1 nếu chủ hộ da màu, bằng 0 nếu chủ hộ không phải

da màu)

-

Người da màu có xu hướng chi tiêu ít hơn

2 Mối quan hệ từng biến độc lập với biến phụ thuộc:

years educ, household head

Mối quan hệ giữa cons và age

=1 if household head is black

Mối quan hệ giữa age và cons

Mối quan hệ giữa black và cons

II Chạy mô hình:

Mô hình hồi quy:

Hàm hồi quy Tổng thể:

Hàm hồi quy Mẫu

reg cons inc size educ age black

Source | SS df MS Number of obs = 100

Ta được hàm hồi quy mẫu SRF:

=1605.416+0.890545*inc–67.66119*size–151.8235*educ–0.2857217*age– 518.3934*black

- Phân tích kết quả hồi quy:

Ý nghĩa các hệ số hồi quy:

1= 0.890545 > 0, khi thu nhập tăng $1 thì mức chi tiêu hằng năm của 1 gia đình sẽ tăng

khi chủ hộ là người da đen thì chi tiêu mỗi năm của hộ gia đình đó

sẽ thấp hơn $518.3934 so với các trường hợp màu da khác

: ảnh hưởng của các yếu tố không được đưa vào mô hình đến chi tiêu hàng năm của các hộ gia đình

Độ phù hợp của hàm hồi quy:

R2(R-squared) = 0.6985 cho thấy các biến độc lập inc, size, educ, age, black giải thích được 69,85% biến động của biến phụ thuộc cons

III Kiểm định mô hình:

1 Ý nghĩa của hệ số hồi quy:

3 Kiểm định đa ràng buộc tuyến tính:

Ta tiến hành chạy mô hình bị ràng buộc với q= 4 biến độc lập size, educ, age, black bị loại khỏi mô hình trên, tức là chỉ chạy lênh hồi quy với biến độc lập inc

reg cons inc

Source | SS df MS Number of obs = 100

-+ - F( 1, 98) = 219.89

Model | 2.2480e+09 1 2.2480e+09 Prob > F = 0.0000

Residual | 1.0019e+09 98 10223460.8 R-squared = 0.6917

Xét 2 mô hình:

(UR): Y = 0+ 1*inc+ 2*size+ 3*educ+ 4*age+ 5*black

(R): Y = 0 + 1*inc

Giả thuyết:

Từ 2 bảng hồi quy trên ta có:

(UR) gồm 5 tham số, có SSR = 979841351; R2 = 0.6985, n-k-1 = 100-5-1=94 bậc tự do

Nên chỉ biến inc là không thể loại khỏi mô hình, còn các biến còn lại có thể loại khỏi mô hình

4 Kiểm tra các khuyết tật của mô hình :

a Kiểm định đa cộng tuyến:

Mô hình tốt là mô hình phải đạt được các tính chất BLUE (tuyến tính, không chệch, hiệu quả nhất) Tuy nhiên trên thực tế do xây dựng sai mô hình hoặc do bản chất của dữ liệu, dẫn tới mô hình không đạt được đầy đủ các tính chất trên Một trong những vấn đề ảnh hưởng đến mô hình mà ta gọi là vi phạm các giả định, đó là Đa cộng tuyến

Bây giờ chúng ta cùng khảo sát xem, mô hình có bị đa cộng tuyến hay không