kinh te luong le kim long bao cao ktl nhom 2 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 26 và bộ số liệu số 81 về tỉ lệ phạm tội cũng như tỉ lệ

TRƯỜNG ĐẠI HỌC NGOẠI THƯƠNG

KHOA KINH TẾ VÀ KINH DOANH QUỐC TẾ

-*** -

BÁO CÁO KINH TẾ LƯỢNG

NHÓM 2- THỰC HIỆN NGHIÊN CỨU BỘ DỮ LIỆU SỐ 26– 81

GIÁO VIÊN HƯỚNG DẪN: TS ĐINH THỊ THANH BÌNH

Mục lục

Lời mở đầu 4

A Bộ số liệu số 26 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: 6

3 Mối quan hệ từng biến độc lập với biến phụ thuộc: 6

II Phân tích hồi quy 9

1 Thiết lập mô hình tổng quát 9

2 Lập bảng tương quan 10

3 Chạy mô hình hồi quy 11

4 Phương trình hồi quy 11

5 Phân tích kết quả hồi quy 12

III Kiểm định mô hình 13

1 Ý nghĩa của hệ số hồi quy: 13

2 Kiểm định sự phù hợp của mô hình: 14

3 Kiểm định khuyết tật của mô hình: 14

IV Sửa lỗi mô hình 19

KẾT LUẬN 19

Bộ số liệu số 81 20

I Mô hình lý thuyết 20

1 Vấn đề nghiên cứu và mô hình lý thuyết: 20

2 Mục đích và lý do lựa chọn các biến: 21

3 Mối quan hệ từng biến độc lập với biến phụ thuộc: 22

II Phân tích hồi quy 24

1 Thiết lập mô hình tổng quát 24

2 Lập bảng tương quan 25

3 Chạy mô hình hồi quy 26

4 Phương trình hồi quy 26

5 phân tích kết quả hồi quy 27

III Kiểm định mô hình 28

1 Ý nghĩa của hệ số hồi quy: 28

2 Kiểm định sự phù hợp của mô hình: 29

3 Kiểm định và cách khắc phục khuyết tật của mô hình: 30

IV Sửa lỗi mô hình 35

KẾT LUẬN 36

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 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 26 và bộ số liệu số

81 về tỉ lệ phạm tội cũng như tỉ lệ hút thuốc lá trung bình của con người 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 giảng viên hướng dẫn - tiến sĩ Đinh Thị Thanh Bình

đã giúp đỡ chúng em thực hiện bài báo cáo này Trong quá trình làm bài tiểu luận, dù đã rất cố gắng nhưng chắc chắn không tránh khỏi những sai sót, kính mong được cô góp ý để nhóm chúng em có thể hoàn thiện hơn bản báo cáo này

A Bộ số liệu số 26

I Mô hình lý thuyết

1 Vấn đề nghiên cứu và mô hình lý thuyết:

Trong bối cảnh xã hội ngày càng phát triển với tốc độ đô thị hóa cao cũng như việc đất

nước mạnh dạn mở cửa để tiếp thu với các nền văn hóa khác nhau thì tình trạng vi phạm pháp

luật ngày càng trở thành một vấn đề đáng lo ngại Có rất nhiều yếu tố tác động đến tỉ lệ phạm

tội của mỗi khu vực Trong bộ số liệu số 26, nhóm đã chọn ra những biến để nghiên cứu dưới đây

Mô tả dữ liệu trong file CRIME3.DTA từ phần mềm Stata, ta thu được kết quả như sau:

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

Bảng 1: Định dạng và ý nghĩa của các biến

cavgclr float %9.0g change in avgclr

clcrime float %9.0g change in lcrime

clrprc2 byte %9.0g clear-up perc, two-years prior

clrprc1 byte %9.0g clear-up perc, prior year

district byte %9.0g district number

crime float %9.0g crimes per 1000 people

variable name type format label variable label

storage display value

des crime district clrprc1 clrprc2 clcrime cavgclr

Tên biến Dạng dữ liệu Đơn vị Ý nghĩa biến

Crime Float % Tỉ lệ phạm tội

District Byte đơn vị Số quận khảo sát

clrprc1 Byte đơn vị Tỉ lệ phá án thành công một năm trước

clrprc2 Byte đơn vị Tỉ lệ phá án thành công hai năm trước

clcrime Float % Sự thay đổi tỉ lệ phạm tội

cavgclr Float % Sự thay đổi trong trung bình tỉ lệ phá án

Tiếp tục sử dụng lệnh sum để miêu tả dữ liệu Lệnh sum cho biết số lượng quan sát

(Obs), giá trị trung bình (mean), độ lệch chuẩn (std dev.) cũng như giá trị lớn nhất (max) và

nhỏ nhất (min) của các biến

Có thể nhận thấy tỉ lệ phạm tội có sự chênh lệch khá lớn giữa mức cao nhất và mức thấp

nhất, lên tới xấp xỉ 70 lần, cao hơn hẳn so với các biến còn lại

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 khả năng giải

quyết vụ án trong các năm trước, thời gian, khu vực địa lýđối với tỉ lệ phạm tội

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

Mối quan hệ giữa crime và district

Variable Obs Mean Std Dev Min Max

sum crime district clrprc1 clrprc2 clcrime cavgclr

Mối quan hệ giữa crime và clrprc1

Mối quan hệ giữa crime và clrprc2

Mối quan hệ giữa crime và clcrime

Mối quan hệ giữa crime và avgclr

II Phân tích hồi quy

1 Thiết lập mô hình tổng quát

-

Tỉ lệ phá án thành công một năm trước càng thấp thì tỉ lệ phạm tội năm hiện tại càng cao

clrprc2

Tỉ lệ phá án thành công trong hai năm trước, so với thời điểm khảo sát

-

Tỉ lệ phá án thành công hai năm trước càng thấp thì tỉ lệ phạm tội năm hiện tại càng cao

clcrime Sự thay đổi của tỉ lệ

và 2 năm truóc

-

Sự thay đổi trong trung bình cộng phần trăm của các vụ án được giải quyết trong 1 năm trước và 2 năm trước càng thấp thì tỉ lệ phạm tội năm hiện tại càng cao

Bảng 2: Giải thích các biến

2 Lập bảng tương quan

Chạy lệnh corr để biểu diễn mỗi quan hệ tương quan giữa các biến, nhóm thu được kết quả

như sau:

Nhìn chung các biến độc lập có tương quan với biến phụ thuộc không cao, đặc biệt hai

biến clrprc1và clrprc2 có hệ số tương quan khá thấp (-0.6020 và -0.5968)

2 biến clcrime và cavgclr có hệ số tương quan dương, cho thấy tác động cùng chiều lên

biến phụ thuộc

3 biến district, clrprc1 và clrprc2 có hệ số tương quan âm, cho thấy tác động ngược

chiều đối với biến phụ thuộc

Mối quan hệ tương quan giữa các biến độc lập với nhau cũng không cao, hệ số tương

quan cao nhất cũng chỉ là 0.4422, giữa biến district và clrprc2

Do không có hệ số tương quan nào có độ lớn vượt quá 0.8 nên có thể dự đoán mô hình

không xảy ra hiện tượng đa cộng tuyến khi hồi quy

3 Chạy mô hình hồi quy

Chạy mô hình hồi quy giữa biến phụ thuộc và các biến độc lập, ta thu được kết quả như

sau:

4 Phương trình hồi quy

Từ kết quả chạy hồi quy, nhóm tóm tắt các giá trị thu được ở bảng 3:

Biến Hệ số Giá trị Thống kê t P – value

52.60476 9.88 0.000 District -0.0512635 -0.54 0.588

Source SS df MS Number of obs = 53

reg crime district clrprc1 clrprc2 clcrime cavgclr

Từ bảng trên ta có phương trình hồi quy sau:

= 52.60476 – 0.0512635*District – 0.4141517*Clrprc1 – 0.3824153*Clrprc2 + 3.73996*Clcrime + 0.3878464*Cavgclr

5 Phân tích kết quả hồi quy

- Số quan sát đưa vào phân tích obs = 53

- Phần tổng bình phương các độ lệch giữa giá trị quan sát Yi với giá trị trung bình của nó TSS=7945.29101

- Phần tổng bình phương được giải thích bởi mô hình (biến giải thích) ESS=4125.50252

- Phần tổng bình phương không giải thích được (phần dư) RSS=3819.7885

- Độ lệch bình phương bình quân (phương sai) của các bộ phận trên là MSm=825.100503và MSr=81.2720957

- Sai số chuẩn của ước lượng RMSE=9.0151, nhỏ hơn độ lệch chuẩn của biến phụ thuộc

là SD = = = 12.360989 Vậy ước lượng của hồi quy là chấp nhận được

- Mức độ phù hợp của mô hình so với thực tế là = 51.92% cho thấy các biến độc lập

đã giải thích được 51.92% sự thay đổi của biến phụ thuộc

- Ý nghĩa các tham số trong mô hình:

* 0= 52.60476 có nghĩa là trong điều kiện các yếu tố khác không đổi và giá trị các biến độc lập bằng 0 thì tỉ lệ phạm tội sẽ là 52.60476 USD

* 1 có p-value = 0.588> 0.05 nên không có ý nghĩa thống kê Do đó, số quận khảo sát không có tác động lên tỉ lệ phạm tội

* 2= -0.4141517 có ý nghĩa thống kê, chỉ ra rằng trong điều kiện các yếu tố khác không đổi, nếu tỷ lệ phá án thành công trong một năm trước tăng thêm 1 đơn vị thì tỉ lệ phạm tội giảm đi 0.4141%

* 3= -0.3824153 có ý nghĩa thống kê, chỉ ra rằng trong điều kiện các yếu tố khác không đổi, nếu tỷ lệ phá án thành công trong hai năm trước tăng lên 1 đơn vị thì tỉ lệ phạm tội giảm 0.3824%

* 4 có p-value = 0.333 nên không có ý nghĩa thống kê, do đó sự thay đổi trong logarit

cơ số e của tỷ lệ phạm tội

* 5= 0.3878464 có ý nghĩa thống kê, chỉ ra rằng trong điều kiện các yếu tố khác không đổi, nếu tỷ lệ trung bình phá án tăng thêm 1 đơn vị thì tỷ lệ phạm tội tăng 0.3878%

III Kiểm định mô hình

1 Ý nghĩa của hệ số hồi quy:

* 5

 Bác bỏ H0 với mức ý nghĩa 5%

Kết luận: Vậy trong các hệ số góc của hồi quy, với mức ý nghĩa 5%, hệ số 1 và 4 không có ý nghĩa thống kê

2 Kiểm định sự phù hợp của mô hình:

Kiểm định này nhằm xem xét trường hợp các tham số của biến độc lập đồng thời bằng 0 có thể xảy ra hay không

Cặp giả thuyết thống kê như sau:

(Với k là số biến độc lập, n là số quan sát)

Ta thấy

 Bác bỏ giả thiết H 0

 Mô hình hồi quy phù hợp ở mức ý nghĩa 5%

3 Kiểm định khuyết tật của mô hình:

a Bệnh 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

Do vậy, chúng ta sẽ khảo sát mô hình có bị đa cộng tuyến hay không

Cách 1: Tính hệ số tương quan r giữa các biến giải thích

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

Sử dụng lệnh Corr trong stata cho kết quả sau:

Từ kết quả trên, ta thấy hệ số tương quan giữa các biến giải thích tương đối thấp và nhỏ hơn 0.8 Do vậy có thể kết luận mô hình không mắc bệnh đa cộng tuyến

Cách 2: Sử dụng thừa số tăng phương sai VIF

Nếu thì có thể xảy ra hiện tượng đa cộng tuyến

Sử dụng lệnh vif trong phần mềm stata, ta có kết quả sau:

Các giá trị VIF đều nhỏ hơn 10, do đó có thể đi đến kết luận mô hình không có hiện tượng đa cộng tuyến

Như vậy hai kiểm định đều cho cùng một kết luận: Mô hình không mắc bệnh đa cộng tuyến

b Phương sai sai số thay đổi:

Phương sai của mỗi một ngẫu nhiên Ui trong điều kiện giá trị đã cho của biến giải thích

Xi là không đổi, nghĩa là:

– = = ; i = 1,2,3…n Tuy nhiên, trong thực tế, do bản chất kinh tế xã hội, quá trình thu thập, xử lí số liệu hay

do mô hình định dạng sai mà giả thiết này bị vi phạm dẫn đến hiện tượng phương sai sai số thay đổi

Cách 1: Phương pháp định tính:

Xem xét đồ thị ei theo i:

Cách 2: Phương pháp định lượng:

Để kiểm định phương sai sai số thay đổi ta có cặp giả thuyết sau:

Nếu giá trị [Prob>chi2] , chúng ta bác bỏ giả thiết H0 và chấp nhận giả thiết H1.

Ta thực hiện kiểm định White:

Kết quả kiểm định bằng lệnh imtest, white cho thấy Prob>chi2 = 0.1327> 0.05

Do đó từ 2 kiểm định trên có cơ sở kết luận 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

Cách 1:Sử dụng đồ thị:

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

 suy ra có cơ sở để cho rằng phần dư phân phối không chuẩn

Như vậy 2 kiểm định đều cho thấy có dấu hiệu phần dư phân phối không chuẩn trong mô hình

IV Sửa lỗi mô hình

Từ việc kiểm định trên, ta thấy có biến district , clcrime không có ý nghĩa thống kê trong mô

hình Ta có thể bỏ khỏi mô hình và tiến hành chạy lại mô hình mới như sau:

= 54.22555 – 0.4322091*Clrprc1 – 0.4300952*Clrprc2 + 0.3512738*Cavgclr

KẾT LUẬN

Như vậy nhóm chúng em đã hoàn thành xong mô hình kinh tế lượng về các yếu tố ảnh

hưởng đến tỉ lệ phạm tội Mô hình đã lượng hóa cho các yếu tố để chúng ta có biện pháp, chiến

lược phá án hiệu quả Ngoài ra, sẽ còn nhiều yếu tố ảnh hưởng đến biến phụ thuộc được

nghiên cứu chưa được đưa vào mô hình như số năm, sự thay đổi trong tỉ lệ phá án trung bình

trong 1 hay 2 năm trước… cần được xem xét để có báo cáo với kết quả chính xác hơn nữa

Source SS df MS Number of obs = 53

reg crime clrprc1 clrprc2 cavgclr

Bộ số liệu số 81

I Mô hình lý thuyết

1 Vấn đề nghiên cứu và mô hình lý thuyết:

Ngày nay, thuốc lá đang ngày càng trở thành một mối nguy hại lớn đối với sức khỏe của

con người Mặc dù xã hội đã đưa ra nhiều biện pháp nhằm giảm thiểu tỉ lệ hút thuốc của người

dân nhưng vẫn chưa thực sự hiệu quả Có rất nhiều yếu tố ảnh hưởng đến việc hút thuốc của

mỗi người Trước hết, chúng ta phải tìm hiểu xem những yếu tố nào thực sự tác động đến tỉ lệ

hút thuốc của chúng ta Trong bộ số liệu số 81, nhóm đã chọn ra những biến để nghiên cứu

dưới đây

Mô tả dữ liệu trong fileSMOKE.DTA từ phần mềm Stata, ta thu được kết quả như sau:

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

Tên biến Dạng dữ liệu Đơn vị Ý nghĩa biến

cigs byte điếu/ngày Số điếu thuốc được hút trung bình một ngày

income int $ Thu nhập hàng năm của người hút

age byte tuổi Tuổi tác của người hút

cigpric float cents/hộp Giá thuốc tại nơi người hút sinh sống

educ float năm Số năm học của người hút thuốc

restaurn byte Nơi nghỉ ngơi của người hút có cấm thuốc không

Bảng 1: Định dạng và ý nghĩa của các biến

restaurn byte %8.0g =1 if rest smk restrictions

educ float %9.0g years of schooling

cigpric float %9.0g state cig price, cents/pack

age byte %8.0g in years

income int %8.0g annual income, $

cigs byte %8.0g cigs smoked per day

variable name type format label variable label

storage display value

des cigs income age cigpric educ restaurn